Discussão do artigo "Florestas Aleatórias na Previsão das Tendências" - página 3
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
No momento, isso é lucrativo?
O exemplo do artigo é demonstrativo, extremamente redundante.
Se falarmos de florestas aleatórias em particular e da aplicação de modelos de aprendizado de máquina em geral (as redes neurais pertencem a essa classe de algoritmos), elas são amplamente usadas em negociações.
PS. Há muitos apoiadores de NS no fórum. Portanto, esses não são os algoritmos mais eficientes para negociação. As florestas aleatórias são muito mais eficientes.
O exemplo do artigo é de natureza demonstrativa, extremamente redundante.
Se falarmos de florestas aleatórias em particular e da aplicação de modelos de aprendizado de máquina em geral (as redes neurais pertencem a essa classe de algoritmos), elas são amplamente usadas em negociações.
PS. Há muitos apoiadores de NS no fórum. Portanto, esses não são os algoritmos mais eficientes para negociação. As florestas aleatórias são muito mais eficazes.
Por onde você tem andado?
Não tenho ouvido falar de você há algum tempo?
Por onde você tem andado?
Não tenho ouvido falar de você há algum tempo?
Você tem algum link para material mais detalhado?
Você tem links para materiais mais detalhados?
Há muita literatura sobre esse tópico, principalmente em inglês.
Escrevi um livro intitulado "Predicting Trends" (Prevendo tendências), no qual os problemas de classificação são discutidos com muito mais detalhes do que no artigo. O livro contém traduções literais de documentação técnica (cerca de 30%), exemplos de uso de modelos de classificação no mercado Forex (cerca de 20% do texto) e explicações sobre a ideologia da criação de modelos de classificação. Ele também descreve a sequência de etapas para criar um Expert Advisor com base em modelos de classificação.
Mais detalhes no anexo.
PS. O livro tem uma lista bastante extensa de literatura sobre o assunto.
vlad19492014.11.23 15:
Prezado Vlad!
Todos os argumentos sobre a eficiência dos algoritmos de aprendizado de máquina fazem sentido sob uma condição: o modelo não é treinado novamente. Na minha prática, é muito difícil obter um modelo não treinado. Em particular, neste artigo, trata-se de um modelo supertreinado.
O treinamento excessivo do modelo ocorre por causa de um conjunto errôneo de preditores, pois todo o cão está enterrado neles. Portanto, todos os esforços devem ser direcionados para a seleção de preditores e, em seguida, para o modelo.
Parece-me que consegui encontrar sinais formais da adequação dos preditores a uma determinada variável-alvo. Se você estiver interessado nisso, terei prazer em discutir o assunto em particular.
vlad19492014.11.23 15:
Prezado Vlad!
Todos os argumentos sobre a eficiência dos algoritmos de aprendizado de máquina fazem sentido sob uma condição: o modelo não é treinado novamente. Na minha prática, é muito difícil obter um modelo não treinado. Em particular, neste artigo, trata-se de um modelo supertreinado.
O treinamento excessivo do modelo ocorre por causa de um conjunto errôneo de preditores, pois todo o cão está enterrado neles. Portanto, todos os esforços devem ser direcionados para a seleção de preditores e, em seguida, para o modelo.
Parece-me que consegui encontrar sinais formais da adequação dos preditores a uma determinada variável-alvo. Se você estiver interessado nisso, ficarei feliz em discutir o assunto em particular.
ттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттт
Claro que estou interessado. Escreva
vlad19492014.11.23 15:
http://a ppliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
Publiquei esse link com anotações em meu blog. Ninguém se interessou por ele. Aqui está o artigo em si
O treinamento excessivo do modelo ocorre devido ao conjunto errado de preditores, pois o cão inteiro está enterrado neles. Portanto, todos os esforços devem ser direcionados para a seleção de preditores e, em seguida, para o modelo.
O modelo e a seleção de preditores estão inter-relacionados. Primeiro, deve-se selecionar um modelo e, em seguida, selecionar os preditores com base nesse modelo, filtrando pelo mesmo modelo os preditores que têm a menor "utilidade" na previsão. Embora muitos artigos e livros didáticos ensinem o contrário: primeiro, selecionamos os preditores usando algum método de cálculo da relação entre esses preditores e a série-alvo - o resultado. Os métodos mais comuns de triagem são o coeficiente de correlação entre os preditores e o resultado e a informação mútua. Em seguida, um modelo é selecionado, geralmente sem relação com a forma como os preditores foram selecionados. Se você pensar bem (e os livros didáticos de econometria não lhe dirão isso, você terá de pensar por si mesmo), o método de seleção de preditores pelo coeficiente de correlação com o resultado seleciona essencialmente os preditores que terão o menor erro em um modelo de regressão linear (LRC). O método de seleção de preditores por suas informações mútuas com a saída seleciona essencialmente os preditores que apresentarão o menor erro em um modelo baseado em regressão de Nadaraya-Watson (nome obscuro GRNN).