Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3336
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
Начал втыкать еще в object importance, там предложена целая статья. Посмотрю что это может дать.
Рад, что всё же смог заинтересовать. Пишите о достижениях в исследовании полезности данного подхода.
Думаю, что попробую воссоздать оценку листьев с учётом поэтапной коррекции ошибки, сделав переразметку после каждого листа (дерева).
Но, всё же, кажется, что при классификации это работает не так... плохо понимаю формулы.
Как я понял, что на первой итерации строится приближенная функция аппроксимации логлосс по меткам целевой, к которой с помощью деревьев надо приблизится, и дельта между идеальной функцией и получившейся с помощью деревьев как раз и записывается в лист после умножения на коэффициент скорости обучения.
Просто если размечать на ошибку, буквально воспринимая подход, то что-же, надо ошибку в двух разных классах помечать одним, допустим "1"?
Или, как?
Рад, что всё же смог заинтересовать. Пишите о достижениях в исследовании полезности данного подхода.
Я давно в этой теме. Есть другие способы/пакеты. Эту фичу как-то пропустил, может недавно добавили
Можно видео посмотреть на эту тему
Значения в листьях, которые суммируются, образуя координату Y функции.
Для меня это ответ или прогноз листа. Подумал что вы его еще корректировать каким-то коэффициентом хотите.
Просто если размечать на ошибку, буквально воспринимая подход, то что-же, надо ошибку в двух разных классах помечать одним, допустим "1"?
Или, как?
В учебном примере из статьи - только регрессия. За классификацию точно не скажу.
Можно видео посмотреть на эту тему
В учебном примере из статьи - только регрессия. За классификацию точно не скажу.
Про классификацию вроде как пишут тут . Правда у CatBoost формула чуть другая, но может это издержки математических преобразований...
Ну и ссылка на видео от туда же вроде как
Интересно, что если сам более-менее долго занимаешься МО, то сам приходишь к похожим выводам. Некий естественный процесс эволюции подхода. Так пришел к козулу, statistical learning’у и reliable AI. Если гуглить эти слова, можно найти полезное.
Да, это нормальный процесс - общее информационное поле. Истории известны открытия с разницей в пару лет, а труды их описывающие издаются с опозданием же - после проверок, рецензирования и вообще, перевода на понятный язык.
Про классификацию вроде как пишут тут . Правда у CatBoost формула чуть другая, но может это издержки математических преобразований...
Ну и ссылка на видео от туда же вроде как
Можно видео посмотреть на эту тему
Какая-то ерунда невнятная получается. Логлосс растет при удалении плохих семплов, а не падает. При удалении хороших тоже растет.
Сам не сделаешь - никто за тебя нормально не сделает.