Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3521
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
Ну вот признаки одни и те же, а разметки разные. И получаются разные модели.
Ну, конечно это логично. Мой метод просто позволяет откинуть фактор настройки модели.
Если утверждаете, что у Вас настройки CB не влияют значительно на процесс обучения, то сбросьте для воспроизведения такую выборку, мне будет интересно с ней ознакомится.
В любом случае, всё это разговор про рандом. Пока нет возможности быстро детектить "поломку" модели, слив будет стремительно происходить на новых данных.
Ну, конечно это логично. Мой метод просто позволяет откинуть фактор настройки модели.
Если утверждаете, что у Вас настройки CB не влияют значительно на процесс обучения, то сбросьте для воспроизведения такую выборку, мне будет интересно с ней ознакомится.
В любом случае, всё это разговор про рандом. Пока нет возможности быстро детектить "поломку" модели, слив будет стремительно происходить на новых данных.
Там 2 модели, не так как обычно. 2 разных датасета
Ну, это понятно, интересует выборка с разметкой после первой модели.
Ну, это понятно, интересует выборка с разметкой после первой модели.
Там одновременно 2 модели. Вторая обучатся просто, торговать/не торговать. Могу скинуть завтра, на знаю правда зачем :)
Ещё актуально. Мне действительно интересно, так как у меня совсем другие выводы - возможно, столь разная выборка.
Ещё актуально. Мне действительно интересно, так как у меня совсем другие выводы - возможно, столь разная выборка.
Получилось снизить энтропию (logloss) через разметку с добавлением некоторых "правил". То есть совмещение МО и ТС на логике.
Например, при случайной разметке хоть Accuracy и нормальный, но logloss оставлял желать лучшего
{'learn': {'Accuracy': 0.8438783894823336, 'Logloss': 0.4787490774779375}, 'validation': {'Accuracy': 0.7420178799489144, 'Logloss': 0.5603823600397243}}А с новой разметкой получается так
{'learn': {'Accuracy': 0.9840909090909091, 'Logloss': 0.12419709401710959}, 'validation': {'Accuracy': 0.9470899470899471, 'Logloss': 0.2028722652115128}}Прямо порадовался, реальный improvement. Не зря тему энтропии затронул.
{'learn': {'Accuracy': 0.9907674552798615, 'Logloss': 0.09702284179278793}, 'validation': {'Accuracy': 0.955585464333782, 'Logloss': 0.15982284254600834}}:)
Получилось снизить энтропию (logloss) через разметку с добавлением некоторых "правил". То есть совмещение МО и ТС на логике.
Например, при случайной разметке хоть Accuracy и нормальный, но logloss оставлял желать лучшего
А с новой разметкой получается так
Прямо порадовался, реальный improvement. Не зря тему энтропии затронул.
:)
Конечно, такое можно получить и при случайном семплинге. Но, по грубым расчетам, нужно сделать минимум 10000 перезапусков разметки, с учетом длины выборки и диапазона параметров. Это минимум, на уровне вероятности выпадения такой же разметки, а так в районе миллиона.
Поэтому хотелось найти быстрый способ проверки, но напрямую через энтропию не получилось. Через модель это долго.Для каждого кластера отдельный файл
Спасибо.
Взял одну выборку (кластер), обучил 100 моделей с разным seed, по 10 деревьев глубиной 6, темп 0,03.
Вот такой разброс по точности - не очень критичный, но значимый.
По откликам - тут уже значительно существенней.
И, я не менял какие либо ещё настройки - коих много в CatBoost.
В итоге считаю, что одной модели недостаточно, что бы оценить качество разметки с помощью модели.
Спасибо.
Взял одну выборку (кластер), обучил 100 моделей с разным seed, по 10 деревьев глубиной 6, темп 0,03.
Вот такой разброс по точности - не очень критичный, но значимый.
По откликам - тут уже значительно существенней.
И, я не менял какие либо ещё настройки - коих много в CatBoost.
В итоге считаю, что одной модели недостаточно, что бы оценить качество разметки с помощью модели.
ну так в среднем оценивается
а, это уже на другом принципе, не на том что в статьях через cv. Здесь ничего не фильтровалось.