Обсуждение статьи "Ансамблевые методы для улучшения численного прогнозирования в MQL5"

[MetaQuotes]

Опубликована статья Ансамблевые методы для улучшения численного прогнозирования в MQL5:

В этой статье мы представим реализацию нескольких методов ансамблевого обучения на языке MQL5 и исследуем их эффективность в различных сценариях.

Машинное обучение зачастую производит множество прогнозных моделей, различающихся по качеству. Специалисты, как правило, проводят оценку этих моделей и выбирают из них наиболее эффективные для прикладных целей в реальном мире. Тем не менее, в данной статье мы исследуем иной подход: изменяем целевое назначение казалось бы менее удачных моделей путем объединения их результатов для потенциального улучшения общей эффективности прогнозирования. Мы рассмотрим различные методики объединения прогнозов и демонстрируем их реализацию исключительно на языке MQL5. Наконец, мы сравним эти методики и обсудим, насколько они подходят под различные сценарии.

Чтобы окончательно сформировать концепцию объединения прогнозов от моделей, давайте примем несколько основных обозначений. Рассмотрим обучающее множество, состоящее из K точек данных, каждая из которых представлена в виде пары (xi,yi), где xi – это прогнозный вектор, а yi – соответствующая скалярная выходная переменная, которую мы хотим спрогнозировать. Предположим у нас есть N обученных моделей, каждая из которых способна делать прогнозы. Когда модель представлена с прогнозным параметром x, модель n генерирует прогноз, обозначаемый как f_n (x). Наша цель состоит в том, чтобы построить консенсусную функцию f(x), которая эффективно комбинирует эти N отдельных прогнозов, давая более точный общий прогноз, чем любая отдельная модель.

Автор: Francis Dube

[Roman Shiredchenko]

суппер статья - спасибо. Тема актуальна -изучаю данные  - буду смотреть у себя в терминале и исследовать.....

дам обратную связь тут.

Эта информация у меня в очереди к рассмотрению......