Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3080
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
Данная статья прекрасная иллюстрация рекламного продвижения банальных результатов.
Само название «Causal Effects» тыкает нас носом в нашу отсталость, так как изучая разные там синусы мы не понимали, что это результат Causal Effects от подачи входных данных на вход sin и получения результата.
Автор берет RF, подает на вход входные данные и в результате получает ошибку.
Чтобы все понимали, что мы имеем дело с совершенно новым направлением в МО, то входные данные (предикторы) называются ковариатами, алгоритм RF называется мета учеником, а весь процесс - Causal Effects.
Апологетам Causal Effects невдомек, что иногда на русском ковариатами называются те предикторы, которые имеют влияние не только на целевую переменную, но и на соседние предикторы, т.е. следует точнее использовать термин во избежание неоднозначности.
Назвать алгоритм RF «мета учеником» - это очередной рекламный трюк в Causal Effects, так как этот алгоритм производит правилам уж точно НЕ является учеником. Но с рекламной точки зрения в машинном ОБУЧЕНИИ должны быть ученики и для важности «мета» и баста.
В статье достаточно подробно обосновывается выбор RF в качестве базового алгоритма, причем специально оговаривается, что вместо RF может быть использован любой (?) алгоритм МО. В качестве обобщения этой мысли используется термин nuisance, т.е. неприятный, несносный, досадный. Если по тексту, то скорее всего следует перевести как «функция шума», т.е. алгоритм RF – это «функция шума». Но ведь как замысловато и красиво звучит, а главное читатель, который ранее считал, что RF производит правила с некоторой ошибкой, просто балдеет.
Можно продолжить, но и перечисленного достаточно, чтобы отнести весь этот Causal Effects к чисто рекламе, кстати весьма успешной, когда реальную чепуху продали и получили место профессора в Стэнфордском университете, получили последователей, желающих не отставать от новых передовых течений.
Кто же автор предполагаемого новейшего направления в МО? Если судить по количеству ссылок, то некто Виктор Черножуков, человек НЕ имеющий профильного образования – окончил с/х институт в начале 90-х. Прекрасно помню это время, когда миллионы черножуковых под крики о незамутненности сознания образованием и фактами, бегали и двигали разного рода чепуху. и многие из них стали миллиардерами и топовыми политиками.
Сегодня весь мир живет по законам рекламы, все сферы, думал, что МО минет сия чаша. Ан, нет.
Данная статья прекрасная иллюстрация рекламного продвижения банальных результатов.
Само название «Causal Effects» тыкает нас носом в нашу отсталость, так как изучая разные там синусы мы не понимали, что это результат Causal Effects от подачи входных данных на вход sin и получения результата.
Автор берет RF, подает на вход входные данные и в результате получает ошибку.
Чтобы все понимали, что мы имеем дело с совершенно новым направлением в МО, то входные данные (предикторы) называются ковариатами, алгоритм RF называется мета учеником, а весь процесс - Causal Effects.
Апологетам Causal Effects невдомек, что иногда на русском ковариатами называются те предикторы, которые имеют влияние не только на целевую переменную, но и на соседние предикторы, т.е. следует точнее использовать термин во избежание неоднозначности.
Назвать алгоритм RF «мета учеником» - это очередной рекламный трюк в Causal Effects, так как этот алгоритм производит правилам уж точно НЕ является учеником. Но с рекламной точки зрения в машинном ОБУЧЕНИИ должны быть ученики и для важности «мета» и баста.
В статье достаточно подробно обосновывается выбор RF в качестве базового алгоритма, причем специально оговаривается, что вместо RF может быть использован любой (?) алгоритм МО. В качестве обобщения этой мысли используется термин nuisance, т.е. неприятный, несносный, досадный. Если по тексту, то скорее всего следует перевести как «функция шума», т.е. алгоритм RF – это «функция шума». Но ведь как замысловато и красиво звучит, а главное читатель, который ранее считал, что RF производит правила с некоторой ошибкой, просто балдеет.
Можно продолжить, но и перечисленного достаточно, чтобы отнести весь этот Causal Effects к чисто рекламе, кстати весьма успешной, когда реальную чепуху продали и получили место профессора в Стэнфордском университете, получили последователей, желающих не отставать от новых передовых течений.
Кто же автор предполагаемого новейшего направления в МО? Если судить по количеству ссылок, то некто Виктор Черножуков, человек НЕ имеющий профильного образования – окончил с/х институт в начале 90-х. Прекрасно помню это время, когда миллионы черножуковых под крики о незамутненности сознания образованием и фактами, бегали и двигали разного рода чепуху. и многие из них стали миллиардерами и топовыми политиками.
Сегодня весь мир живет по законам рекламы, все сферы, думал, что МО минет сия чаша. Ан, нет.
Данная статья прекрасная иллюстрация рекламного продвижения банальных результатов.
Само название «Causal Effects» тыкает нас носом в нашу отсталость, так как изучая разные там синусы мы не понимали, что это результат Causal Effects от подачи входных данных на вход sin и получения результата.
Автор берет RF, подает на вход входные данные и в результате получает ошибку.
Чтобы все понимали, что мы имеем дело с совершенно новым направлением в МО, то входные данные (предикторы) называются ковариатами, алгоритм RF называется мета учеником, а весь процесс - Causal Effects.
Апологетам Causal Effects невдомек, что иногда на русском ковариатами называются те предикторы, которые имеют влияние не только на целевую переменную, но и на соседние предикторы, т.е. следует точнее использовать термин во избежание неоднозначности.
Назвать алгоритм RF «мета учеником» - это очередной рекламный трюк в Causal Effects, так как этот алгоритм производит правилам уж точно НЕ является учеником. Но с рекламной точки зрения в машинном ОБУЧЕНИИ должны быть ученики и для важности «мета» и баста.
В статье достаточно подробно обосновывается выбор RF в качестве базового алгоритма, причем специально оговаривается, что вместо RF может быть использован любой (?) алгоритм МО. В качестве обобщения этой мысли используется термин nuisance, т.е. неприятный, несносный, досадный. Если по тексту, то скорее всего следует перевести как «функция шума», т.е. алгоритм RF – это «функция шума». Но ведь как замысловато и красиво звучит, а главное читатель, который ранее считал, что RF производит правила с некоторой ошибкой, просто балдеет.
Можно продолжить, но и перечисленного достаточно, чтобы отнести весь этот Causal Effects к чисто рекламе, кстати весьма успешной, когда реальную чепуху продали и получили место профессора в Стэнфордском университете, получили последователей, желающих не отставать от новых передовых течений.
Кто же автор предполагаемого новейшего направления в МО? Если судить по количеству ссылок, то некто Виктор Черножуков, человек НЕ имеющий профильного образования – окончил с/х институт в начале 90-х. Прекрасно помню это время, когда миллионы черножуковых под крики о незамутненности сознания образованием и фактами, бегали и двигали разного рода чепуху. и многие из них стали миллиардерами и топовыми политиками.
Сегодня весь мир живет по законам рекламы, все сферы, думал, что МО минет сия чаша. Ан, нет.
Это просто апофеоз вашей профнепригодности, когда новая информация никак уже не заходит в чашу. Либо проблемы с переводом. Остается только посочувствовать :)
Это просто апогей вашей профнепригодности, когда новая информация никак уже не заходит в чашу. Либо проблемы с переводом. Остается только посочувствовать :)
все термины перевраны, основная информация искажена до неузнаваемости
Можете донести до плебса неискаженную информацию?
...
В статье достаточно подробно обосновывается выбор RF в качестве базового алгоритма, причем специально оговаривается, что вместо RF может быть использован любой (?) алгоритм МО. В качестве обобщения этой мысли используется термин nuisance, т.е. неприятный, несносный, досадный. Если по тексту, то скорее всего следует перевести как «функция шума», т.е. алгоритм RF – это «функция шума». Но ведь как замысловато и красиво звучит, а главное читатель, который ранее считал, что RF производит правила с некоторой ошибкой, просто балдеет.
...
Я читал и искал практический смысл применения этого всего - значит Вы его не нашли?
Мне казалось, что статья должна дать инструмент для оценки измерения отклонения участка совокупной выборки от выборки на котором происходило обучение. Соответственно имея этот инструмент можно детектировать аномальные участки выборки. Есть он там или нет на Ваш взгляд?
Можете донести до плебса неискаженную информацию?
могу посочувствовать
думал, что МО минет ..... Ан, нет.
И я того же мнения))
Эти глубокие слова описывают всю эту веткуЯ читал и искал практический смысл применения этого всего - значит Вы его не нашли?
Мне казалось, что статья должна дать инструмент для оценки измерения отклонения участка совокупной выборки от выборки на котором происходило обучение. Соответственно имея этот инструмент можно детектировать аномальные участки выборки. Есть он там или нет на Ваш взгляд?
Этого в статье нет.
Описана обычная подгонка с разным делением исходных предикторов, включая кросс валидацию. Обыденность, которую закумуфлировали словами.
Этого в статье нет.
Описана обычная подгонка с разным делением исходных предикторов, включая кросс валидацию. Обыденность, которую закумуфлировали словами.
Спасибо за экспертное мнение.
и nuisance ф-ии (или параметры) это не функции шума, а вспомогательные, которые не являются целевыми для конкретной задачи
Можно ссылку в статье на вид этих "вспомогательных" функций?
В то же время довольно подробно описаны причины использования RF, который назван базовой функцией и который вычисляет большое количество сведений в результате работы:
An object of class randomForest , which is a list with the following components:
the original call to randomForest
one of regression , classification , or unsupervised .
the predicted values of the input data based on out-of-bag samples.
a matrix with nclass + 2 (for classification) or two (for regression) columns. For classification, the first nclass columns are the class-specific measures computed as mean descrease in accuracy. The nclass + 1st column is the mean descrease in accuracy over all classes. The last column is the mean decrease in Gini index. For Regression, the first column is the mean decrease in accuracy and the second the mean decrease in MSE. If importance=FALSE , the last measure is still returned as a vector.
The “standard errors” of the permutation-based importance measure. For classification, a p by nclass + 1 matrix corresponding to the first nclass + 1 columns of the importance matrix. For regression, a length p vector.
a p by n matrix containing the casewise importance measures, the [i,j] element of which is the importance of i-th variable on the j-th case. NULL if localImp=FALSE .
number of trees grown.
number of predictors sampled for spliting at each node.
(a list that contains the entire forest; NULL if randomForest is run in unsupervised mode or if keep.forest=FALSE .
(classification only) vector error rates of the prediction on the input data, the i-th element being the (OOB) error rate for all trees up to the i-th.
(classification only) the confusion matrix of the prediction (based on OOB data).
(classification only) a matrix with one row for each input data point and one column for each class, giving the fraction or number of (OOB) ‘votes’ from the random forest.
number of times cases are ‘out-of-bag’ (and thus used in computing OOB error estimate)
if proximity=TRUE when randomForest is called, a matrix of proximity measures among the input (based on the frequency that pairs of data points are in the same terminal nodes).
(regression only) vector of mean square errors: sum of squared residuals divided by n .
(regression only) “pseudo R-squared”: 1 - mse / Var(y).
if test set is given (through the xtest or additionally ytest arguments), this component is a list which contains the corresponding predicted , err.rate , confusion , votes (for classification) or predicted , mse and rsq (for regression) for the test set. If proximity=TRUE , there is also a component, proximity , which contains the proximity among the test set as well as proximity between test and training data.
Неизвестно, что конкретно использует автор из приведенного перечня, но других источников определения ошибок классификации или регрессии при использовании RF просто нет да и не нужно.
При разных вариантах комбинаций входных данных ошибки, выдаваемые RF, будут разными. Именно это и изучает автор и делает выводы о дисперсии ошибок и неком, не известно как вычисляемом смещении.