ФорумРазделы

Обсуждение статьи "Машинное обучение и Data Science (Часть 23): Почему LightGBM и XGBoost лучше многих ИИ-моделей?"

Новый комментарий

Опубликована статья Машинное обучение и Data Science (Часть 23): Почему LightGBM и XGBoost лучше многих ИИ-моделей?:

LightGBM и XGBoost — продвинутые методы построения деревьев решений с использованием градиентного бустинга, они обеспечивают превосходную производительность и гибкость, что делает их идеальными для финансового моделирования и алгоритмической торговли. В этой статье мы поговорим о том, как использовать эти инструменты для оптимизации торговых стратегий, повышения точности прогнозов и получения выгоды на финансовых рынках.

Деревья решений с градиентным бустингом (Gradient Boosted Decision Trees, GBDT) — это эффективный метод машинного обучения, используемый в основном для задач регрессии и классификации. Они объединяют прогнозы нескольких слабых учеников, обычно деревьев решений, для создания сильной прогностической модели.

Основная идея заключается в последовательном построении моделей, при этом каждая новая модель пытается исправить ошибки, допущенные предыдущими.

Примеры деревьев с бустингом:

  • XGBoost (Extreme Gradient Boosting)  — экстремальный градиентный бустинг, популярная и эффективная реализация;
  • LightGBM (Light Gradient Boosting Machnine) — эффективный метод градиентного усиления, особенно при работе с большими наборами данных.
  • CatBoost — автоматически обрабатывает категориальные признаки и устойчив к переобучению.

Эти алгоритмы приобрели большую популярность в сообществе машинного обучения — многие победители в командных соревнованиях по машинному обучению используют именно их. В этой статье мы узнаем, как эти точные модели можно использовать в торговых приложениях.

Автор: Omega J Msigwa

Отличная статья. Я собираюсь попробовать повторить эту работу.
[Удален]
До отсечки нужно крутить :) CatBoost несколько превосходит остальные, по бенчмаркам.

При компиляции дает ошибку

Новый комментарий