Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2300

[denis.eremin]

mytarmailS:

)))) ну так что ты хотел?

добавь скрытых слоев

Что, задача такая сложная? 

[Aleksei Kuznetsov]

mytarmailS:

)))) ну так что ты хотел?

добавь скрытых слоев

Для такой простой задачи одного слоя, по теории, хватит.

Так что вряд ли с 10 слоями получится 99%

[Aleksey Mavrin]

denis.eremin:

Что, задача такая сложная? 

а лучший результат с какой функцией активации выходного слоя получился?

и сколько выходных нейронов? один?

[mytarmailS]

denis.eremin:

Что, задача такая сложная? 

нет, один слой это примитивно, это всего одно умножение веса

elibrarius:
Для такой простой задачи одного слоя, по теории, хватит.

Так что вряд ли с 10 слоями получится 99%

это твоя теория

[Aleksey Mavrin]

elibrarius:
Для такой простой задачи одного слоя, по теории, хватит.

Так что вряд ли с 10 слоями получится 99%

если задача может решатся с точностью 100% вручную заданными весами (и ф-циями активации), то есть минимально необходимое кол-во слоёв и нейронов. меньше точность может быть гораздо ниже.

я так понимаю эта задача из таких. 

[[Удален]]

Новая фишка для работы с важностью признаков

надо будет повертеть на досуге 

https://medium.com/bcggamma/gamma-facet-a-new-approach-for-universal-explanations-of-machine-learning-models-b566877e7812

[[Удален]]

Есть такие признаки, которые, как ни странно, ухудшают обобщающую способность (говорю за катбуст в частности, наверное относится и к другим). Казалось бы странно, ведь просто добавляются новые признаки, а модель выдает ошибку больше, чем было без них

например, обучил на нескольких машках, затем удалил несколько и accuracy стал выше

[Aleksei Kuznetsov]

mytarmailS:

нет, один слой это примитивно, это всего одно умножение веса

это твоя теория

не моя

[Aleksei Kuznetsov]

Maxim Dmitrievsky:

Есть такие признаки, которые, как ни странно, ухудшают обобщающую способность (говорю за катбуст в частности, наверное относится и к другим). Казалось бы странно, ведь просто добавляются новые признаки, а модель выдает ошибку больше, чем было без них

например, обучил на нескольких машках, затем удалил несколько и accuracy стал выше

Давно описывал такой эффект

https://www.mql5.com/ru/blogs/post/725189

Выявляются полным переобучением модели.

Это шум - который мешает работать.

[[Удален]]

elibrarius:

Давно описывал такой эффект

https://www.mql5.com/ru/blogs/post/725189

Выявляются полным переобучением модели.

Это шум - который мешает работать.

да, но тут можно посмотреть как фичи взаимодействуют. Жаль, что привязано к конкретному МО фреймворку

потому что важность может быть занижена мультиколлинеарностью

конечно, вручную возиться когда признаков много - не комильфо