Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3074

Новый комментарий
[Удален]  
Propensity score оценивается для каждого условного объекта, из оценок которых формируется общая оценка cate.
 
mytarmailS #:
Если например есть торговая система работающая на истории.. 
Какие стрес-тесты для неё можно придумать чтобы увеличить вероятность того что она будет работать на новых данных

А если на этот вопрос попытаться ответить в терминах статьи, которую дал максим? 

https://arxiv.org/pdf/2201.12692.pdf
[Удален]  
СанСаныч Фоменко #:

А если на этот вопрос попытаться ответить в терминах статьи, которую дал максим? 

https://arxiv.org/pdf/2201.12692.pdf

Гордыня не позволит. Он же все это уже давно сделал за 15 минут 🗿

 
Maxim Dmitrievsky #:

Гордыня не позволит. Он же все это уже давно сделал за 15 минут 🗿

Чем то переводили эту статью? Пробовал через яндекс - он загнулся.

[Удален]  
Aleksey Vyazmikin #:

Чем то переводили эту статью? Пробовал через яндекс - он загнулся.

головой. GPT попросите, он иногда лучше подстраивается под контекст

 
Maxim Dmitrievsky #:

головой. GPT попросите, он иногда лучше подстраивается под контекст

Ох отстал я - GPT то у меня нет :(((

 
Aleksey Vyazmikin #:

Чем то переводили эту статью? Пробовал через яндекс - он загнулся.

https://www.chatpdf.com/

и потом перевод

    Добро пожаловать в этот информативный PDF-файл на тему «Мета-обучение для оценки причинно-следственных связей»! В этой статье Габриэль Окаса исследует результаты конечной выборки мета-обучающихся для оценки гетерогенных эффектов лечения. Читайте дальше, чтобы узнать о преимуществах разделения выборки и перекрестной подгонки для уменьшения систематической ошибки и повышения эффективности мета-обучающихся.

    Примеры вопросов:
    Что такое мета-обучения и как они помогают оценить причинно-следственные связи?
    Как разделение выборки и перекрестная подгонка уменьшают систематическую ошибку переобучения в оценке мета-учащегося?
    Каковы практические рекомендации по использованию мета-обучения в малых и больших размерах выборки?

    Что такое мета-обучения и как они помогают оценить причинно-следственные связи?

    Мета-обучения — это алгоритмы машинного обучения, предназначенные для оценки причинно-следственных связей. Они работают, обучаясь у набора базовых учеников, которые сами по себе являются алгоритмами машинного обучения, которые предсказывают эффекты лечения. Затем мета-обучающиеся объединяют прогнозы этих базовых обучающихся, чтобы получить общую оценку причинного эффекта. Этот подход может помочь уменьшить систематическую ошибку и повысить точность оценок причинно-следственных связей. Дополнительную информацию о мета-обучениях см. в Разделе 3.2 на странице 4.

    Как разделение выборки и перекрестная подгонка уменьшают систематическую ошибку переобучения в оценке мета-учащегося?

    Разделение выборки и перекрестная подгонка - это два метода, используемые для уменьшения систематической ошибки переобучения при оценке мета-учащегося. Разделение выборки включает в себя разделение данных на два или более подмножества, используя одно подмножество для обучения базовых учащихся, а другое подмножество для оценки причинно-следственного эффекта. Перекрестная подгонка включает в себя обучение каждого базового ученика на другом подмножестве данных, а затем использование каждого ученика для прогнозирования эффектов лечения на другом подмножестве данных. Оба метода помогают уменьшить погрешность переобучения, не позволяя базовым учащимся запоминать шум в данных. Дополнительную информацию о разделении выборки и перекрестной подгонке см. в Разделе 2.2 на стр. 3.

    Каковы практические рекомендации по использованию мета-обучения в малых и больших размерах выборки?
    В статье представлены практические рекомендации по использованию мета-обучающихся в эмпирических исследованиях в зависимости от конкретных характеристик данных, таких как доля лечения и размер выборки. В небольших выборках предпочтительнее оценка полной выборки, в то время как в больших выборках разделение выборки и перекрестная подгонка полезны для уменьшения систематической ошибки и эффективности мета-обучающихся соответственно. Дополнительные сведения об этих рекомендациях см. в Разделе 4 на стр. 5.
[Удален]  
Aleksey Vyazmikin #:

Ох отстал я - GPT то у меня нет :(((

Зря, просили бы его код себе писать, а не нас ) даже лучше студента, не надо колбасой кормить

 
Valeriy Yastremskiy #:

https://www.chatpdf.com/

и потом перевод

    Добро пожаловать в этот информативный PDF-файл на тему «Мета-обучение для оценки причинно-следственных связей»! В этой статье Габриэль Окаса исследует результаты конечной выборки мета-обучающихся для оценки гетерогенных эффектов лечения. Читайте дальше, чтобы узнать о преимуществах разделения выборки и перекрестной подгонки для уменьшения систематической ошибки и повышения эффективности мета-обучающихся.

Спасибо. Я загрузил файл и он теперь предлагает на английском вопросы задавать. Как его русскому научить?

 
Maxim Dmitrievsky #:

Зря, просили бы его код себе писать, а не нас ) даже лучше студента, не надо колбасой кормить

Хороший план! Я так понимаю, нужен телефон иностранный, а где его брать то?

1...306730683069307030713072307330743075307630773078307930803081...3745
Новый комментарий