Обсуждение статьи "Гауссовcкие процессы в машинном обучении: регрессионная модель в MQL5"
Интересно.
Большая часть картинок почему-то не грузится.
Проверьте еще раз, пожалуйста
Ждем продолжения с нетерпением.
There is a strong relation between the Gaussian Processes for regression and the Wiener-Khinchin theorem https://danmackinlay.name/notebook/wiener_khintchine.html https://www.numberanalytics.com/blog/wiener-khinchin-theorem-guide It would be great if you can continue in this direction to enlighten us .
Wiener-Khintchine representations – The Dan MacKinlay stable of variably-well-consider’d enterprises
- danmackinlay.name
Spectral representations of stochastic processes
Математически красивый инструмент, но получился нишевый, как и, например, метод опорных векторов. В реальности вообще не слышно чтобы где-то применялся :) Все модели на гауссовских смесях медленно и плохо работают на больших данных.
nevar #:
There is a strong relation between the Gaussian Processes for regression and the Wiener-Khinchin theorem https://danmackinlay.name/notebook/wiener_khintchine.html https://www.numberanalytics.com/blog/wiener-khinchin-theorem-guide It would be great if you can continue in this direction to enlighten us .
Анализ Фурье это всё-таки больше про стационарность и линейные связи. Проще работать во временной области с моделями ARIMA, это эквивалентно в некотором смысле анализу Фурье. There is a strong relation between the Gaussian Processes for regression and the Wiener-Khinchin theorem https://danmackinlay.name/notebook/wiener_khintchine.html https://www.numberanalytics.com/blog/wiener-khinchin-theorem-guide It would be great if you can continue in this direction to enlighten us .
А вот ГП это уже про поиск нелинейных связей, в этом смысле они недалеко ушли от нейронных сетей, таких как MLP, но с возможностью экстраполяции и построения доверительных интервалов прогнозов.
Поэтому Фурье освещать пока не планирую, а будет продолжение по ГП.
Maxim Dmitrievsky #:
Математически красивый инструмент, но получился нишевый, как и, например, метод опорных векторов. В реальности вообще не слышно чтобы где-то применялся :) Все модели на гауссовских смесях медленно и плохо работают на больших данных.
Это не очень популярный инструмент конечно, но я вижу в нем перспективу. Меня привлекает, что разобравшись в ядерном подходе ты получаешь как бы единую согласованную точку зрения на анализ данных. Здесь и регрессия и классификация и ядерная оценка плотности и отбор значимых признаков и статистические тесты на независимость и т.д. Математически красивый инструмент, но получился нишевый, как и, например, метод опорных векторов. В реальности вообще не слышно чтобы где-то применялся :) Все модели на гауссовских смесях медленно и плохо работают на больших данных.
Evgeniy Chernish #:
Это не очень популярный инструмент конечно, но я вижу в нем перспективу. Меня привлекает, что разобравшись в ядерном подходе ты получаешь как бы единую согласованную точку зрения на анализ данных. Здесь и регрессия и классификация и ядерная оценка плотности и отбор значимых признаков и статистические тесты на независимость и т.д.
Это не очень популярный инструмент конечно, но я вижу в нем перспективу. Меня привлекает, что разобравшись в ядерном подходе ты получаешь как бы единую согласованную точку зрения на анализ данных. Здесь и регрессия и классификация и ядерная оценка плотности и отбор значимых признаков и статистические тесты на независимость и т.д.
В любом случае интересно :)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Гауссовcкие процессы в машинном обучении: регрессионная модель в MQL5:
В настоящей статье мы рассмотрим основы гауссовских процессов (ГП) как вероятностную модель машинного обучения и продемонстрируем ее применение в регрессионных задачах на примере синтетических данных.
Гауссовские процессы (ГП) представляют собой инструмент байесовского моделирования, широко используемый в машинном обучении для задач регрессии и классификации. В отличие от множества традиционных моделей, предоставляющих только точечные прогнозы, ГП формируют полное вероятностное распределение для предсказываемых значений. Это позволяет не только получать точечные предсказания, но и важную оценку неопределённости этих прогнозов, выраженную через доверительные интервалы. Это является отличительной особенностью байесовского подхода, когда объединяют априорные знания с наблюдаемыми данными, для получения прогнозного распределения.
ГП относятся к классу ядерных методов, использующих ковариационные функции (или ядра) для моделирования зависимостей между данными. Благодаря возможности комбинирования различных ядер (например, путем сложения или умножения), достигается определенная гибкость в описании возможных прогнозных функций. Каждое ядро при этом обладает своими гиперпараметрами, которые необходимо оптимизировать для достижения максимальной точности модели.
В данной статье мы подробно разберем процесс прогнозирования с помощью регрессионной модели на основе гауссовских процессов, наглядно продемонстрировав, как ГП позволяют не только строить точные прогнозы, но и всесторонне оценивать их неопределённость.
Автор: Evgeniy Chernish