Обсуждение статьи "Применение ансамблевых методов для задач классификации на языке MQL5"

[MetaQuotes]

Опубликована статья Применение ансамблевых методов для задач классификации на языке MQL5:

В данной статье мы представляем реализацию нескольких ансамблевых классификаторов на языке MQL5 и рассматриваем их эффективность в различных ситуациях.

Ансамбли классификаторов, рассмотренные в данной статье, работают на основе определенных предположений об их моделях-компонентах. Во-первых, предполагается, что эти модели обучаются на данных со взаимоисключающими и исчерпывающими целевыми классами, обеспечивая, чтобы каждый экземпляр принадлежал только к одному классу. Когда требуется опция "ничего из вышеперечисленного", ее следует либо рассматривать как отдельный класс, либо управлять ею с помощью численных методов комбинирования с определенным порогом принадлежности. Также, когда предоставляется входной вектор из предикторов, ожидается, что модели-компоненты будут производить N выводов, где N представляет количество классов. Этими выводами могут быть значения вероятности или рейтинги достоверности, которые обозначают вероятность принадлежности для каждого из классов. Ими также могут быть бинарные решения, когда один вывод равен 1.0 (true), а остальные – 0.0 (false), либо выводы модели могут быть целыми числами от 1 до N, отражающими относительную вероятность принадлежности к классу.

Некоторые из ансамблевых методов, которые мы рассмотрим, получают значительные преимущества за счет классификаторов-компонентов, которые производят ранжированные выводы. Модели, способные точно оценивать вероятности принадлежности к классам, обычно высоко ценятся, но существует значительный риск рассмотрения выводов как вероятностей, в то время как они не являются таковыми. Когда имеются сомнения касательно того, что представляют собой выводы модели, может быть полезно конвертировать их в ранги. Полезность информации о рангах растет с увеличением числа классов. Для бинарной классификации ранги не предоставляют какой-либо дополнительной информации, и их ценность для решения задач трех классов остается скромной. Тем не менее, в сценариях с большим количеством классов способность интерпретировать второстепенные варианты выбора модели становится крайне полезной, в частности когда отдельные прогнозы сопряжены с высокой неопределенностью. К примеру, машины опорных векторов (SVM) могут быть усовершенствованы таким образом, чтобы выдавать не только бинарную классификацию, но также и расстояния между границами решений для каждого класса, тем самым предлагая более детальную информацию о достоверности в прогнозах.

Автор: Francis Dube