Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3550

[[Удален]]

Aleksey Vyazmikin #:

Тут и ранее в теме писал

мозг отказывается оперировать вашими терминами

[[Удален]]

Да, cv не показывает всей картины. Лучше делать что-то вроде walk forward МО моделей уже по своим метрикам.  Для оценки вероятности того, что очередной зафит будет работать.

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
Да, cv не показывает всей картины.

Приятно слышать.

Maxim Dmitrievsky #:
мозг отказывается оперировать вашими терминами

Кажется, что бессознательно происходит усвоение :)

Не знаю, что там сложного для вербального восприятия оказалось?

[[Удален]]

Aleksey Vyazmikin #:

Приятно слышать.

Кажется, что бессознательно происходит усвоение :)

Не знаю, что там сложного для вербального восприятия оказалось?

Почему приятно? ))

не происходит усвоение, потому что эти слова уже обозначают другое в голове :) ячейки памяти уже зарезервированы

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
Почему приятно? ))

Потому что я давно твержу, что CV с нашими данными не даёт такого же эффекта, как на репрезентативных выборках, а раз поняли это, то меньше будет противоречий дальше, что и приятно.

Maxim Dmitrievsky #:
не происходит усвоение, потому что эти слова уже обозначают другое в голове :) ячейки памяти уже зарезервированы

Давайте разберём на примере такой термин.

[[Удален]]

Aleksey Vyazmikin #:

Потому что я давно твержу, что CV с нашими данными не даёт такого же эффекта, как на репрезентативных выборках, а раз поняли это, то меньше будет противоречий дальше, что и приятно.

Давайте разберём на примере такой термин.

Ну может быть в текущем применении он не очень.. я даже знаю почему, долго объяснять.

Давайте после выходных.

[[Удален]]

Aleksey Vyazmikin #:

Потому что я давно твержу, что CV с нашими данными не даёт такого же эффекта, как на репрезентативных выборках, а раз поняли это, то меньше будет противоречий дальше, что и приятно.

Давайте разберём на примере такой термин.

Вроде ваша тема

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

Вроде ваша тема

Ну такое, пара готовых функций - да использую подобное.

Спасибо, что думаете о моих потребностях.

[[Удален]]

Aleksey Vyazmikin #:

Ну такое, пара готовых функций - да использую подобное.

Спасибо, что думаете о моих потребностях.

Ура, мы нашли правильную терминологию для вас, теперь можно найти общий язык.

Вы делаете кабинную дискретизацию, а не квантрезки 

[[Удален]]

Теперь напромптим отличия:

K-бинная дискретизация и кластеризация — это две разные техники в области обработки данных и машинного обучения, которые используются для разных целей. Ниже приведены ключевые различия между ними:

1. Цель:

   - K-бинная дискретизация: цель этой техники заключается в преобразовании непрерывных признаков в дискретные или категориальные переменные. Она используется для упрощения анализа данных, уменьшения размерности и создания более управляемых признаков.

   - Кластеризация: цель кластеризации состоит в группировке объектов данных в кластеры на основе их схожести. Она используется для выявления скрытых структур или закономерностей в данных, обнаружения сообществ или сегментов и классификации объектов на основе их характеристик.

2. Применяемые данные:

   - K-бинная дискретизация: эта техника применяется к непрерывным признакам или переменным. Она разбивает диапазон значений этих признаков на бины или интервалы.

   - Кластеризация: кластеризация применяется к наборам объектов данных, которые могут иметь как непрерывные, так и дискретные признаки. Она группирует сами объекты, а не преобразует признаки.

3. Количество групп:

   - K-бинная дискретизация: число бинов (K) задается пользователем или определяется с помощью определенных методов. Каждое наблюдение относится к одному бину.

   - Кластеризация: число кластеров (K) также может задаваться пользователем или определяться методами, такими как локтевой метод или silhouettes. Каждое наблюдение может быть отнесено к одному или нескольким кластерам в зависимости от используемого метода кластеризации.

4. Принадлежность к группе:

   - K-бинная дискретизация: каждое наблюдение однозначно относится к одному бину на основе его значения.

   - Кластеризация: принадлежность кластеров может быть нечеткой или вероятностной в зависимости от используемого метода. Наблюдение может иметь более высокую вероятность принадлежности к одному кластеру, чем к другому, или может принадлежать к нескольким кластерам одновременно.

5. Интерпретация:

   - K-бинная дискретизация: бины обычно имеют конкретные диапазоны значений, что делает их интерпретацию более прямой и связанной с исходными значениями признаков.

   - Кластеризация: кластеры могут не иметь четких границ или интерпретаций, связанных с исходными признаками. Они представляют группы объектов, которые похожи друг на друга, но конкретное значение или диапазон значений могут не иметь прямого значения.

6. Алгоритмы:

   - K-бинная дискретизация: обычно использует равномерное разбиение диапазона значений или методы, основанные на статистических критериях, таких как квантили или стандартное отклонение.

   - Кластеризация: существует множество алгоритмов кластеризации, включая k-средних, иерархическую кластеризацию, DBSCAN, ожидаемо-максимизирующую кластеризацию (EM) и другие. Каждый алгоритм использует разные методы для определения кластеров.

В целом, K-бинная дискретизация используется для преобразования непрерывных признаков, в то время как кластеризация используется для группировки объектов данных на основе их схожести. Они служат разным целям и используются в разных сценариях анализа данных и машинного обучения.