ФорумРазделы

Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3481

Новый комментарий
mytarmailS #:
А зачем удалять ак? 

А зачем он мне? Неск лет здесь не был и дальше не планирую. Вот, смотрю ветку Маш обучения - воз и ныне там.

Yuriy Asaulenko #:

TensorFlow? Остановки не будет, сколько назначено эпох, столько и будет.

CatBoost.

Yuriy Asaulenko #:

А зачем он мне? Неск лет здесь не был и дальше не планирую. Вот, смотрю ветку Маш обучения - воз и ныне там.

Серьёзно?

Yuriy Asaulenko #:

А зачем он мне? Неск лет здесь не был и дальше не планирую. Вот, смотрю ветку Маш обучения - воз и ныне там.

Ну это из разряда - я за вами три часа бежала чтобы сказать как вы мне безразличны.

Зачем годами не заходить а потом зайти чтрбы ак удалить)) 
Aleksey Vyazmikin #:

Можете представить, что мы сделали преобразование через некую функцию - условную синусоиду. Функция одинакова на всех выборках. Это и изменило шкалу и порядок построения на этой шкале.

Самое простое для понимания: вы же блоки/кванты из столбцов перемещаете в другое место (на другие строки), но столбец учителя не меняете. В новом месте эти перемещенные кванты не соответствуют строкам учителя (они остались в старом месте). Т.е. ответы учителя в новом месте становятся случайным для перемещенных квантов/строк.
Forester #:
Самое простое для понимания: вы же блоки/кванты из столбцов перемещаете в другое место (на другие строки), но столбец учителя не меняете. В новом месте эти перемещенные кванты не соответствуют строкам учителя (они остались в старом месте). Т.е. ответы учителя в новом месте становятся случайным для перемещенных квантов/строк.

Не, не так. Представьте, что у нас есть диапазоны у предиктора:

1. От 0 до 10 - вероятность 55%

2. От 10 до 15  - вероятность 45%

3. От 15 до 25  - вероятность 50%

Вот я взял и просто поменял номера после упорядочения по вероятности, теперь новая нумерация относительно старой 1=2, 2=3, 3=1. По сути я поменял только их обозначение.

Соответственно алгоритм построения дерева получил более гладкий переход вероятности задетектить "1" по своему диапазону.

Я конечно, может чего упускаю из виду и не прав.

Aleksey Vyazmikin #:

Не, не так. Представьте, что у нас есть диапазоны у предиктора:

1. От 0 до 10 - вероятность 55%

2. От 10 до 15  - вероятность 45%

3. От 15 до 25  - вероятность 50%

Вот я взял и просто поменял номера после упорядочения по вероятности, теперь новая нумерация относительно старой 1=2, 2=3, 3=1. По сути я поменял только их обозначение.

Соответственно алгоритм построения дерева получил более гладкий переход вероятности задетектить "1" по своему диапазону.

Я конечно, может чего упускаю из виду и не прав.

Насколько я понял, странно, что вообще что-то поменялось. Возможно модель банально неустойчива и разные реализации дают разные результаты.

Yuriy Asaulenko #:

Насколько я понял, странно, что вообще что-то поменялось. Возможно модель банально неустойчива и разные реализации дают разные результаты.

Математика дерева работает так - перебирая сплит от большего к меньшему, после упорядочения становится проще это делать, что приводит к более быстрому обучению. Ну, а оно не верно, так как вероятности потом изменятся на новых данных более чем в 50% случаев.

[Удален]
Aleksey Vyazmikin #:
Такой вопрос давно меня тревожил, а что будет, если в предикторах поменять их цифровое значение, ну, допустим поменять местами 1 и 10, изменится ли результат обучения на том же CatBoost?

Должен измениться конечно, АКФ признаков же изменится.

Maxim Dmitrievsky #:

Должен измениться конечно, АКФ признаков же изменится.

Это разве используется в алгоритме обучения? Не могу понять, где.

1...347434753476347734783479348034813482348334843485348634873488...3746
Новый комментарий