Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3337

[СанСаныч Фоменко]

Хорошая книга с большим объемом кода. Даю ссылку. К сожалению, размер .PDF файла слишком большой

• llo World
  • Acknowledgments
  • Using Code Examples
• INTRODUCTION
• 1 Software for modeling
• 2 A Tidyverse Primer
• 3 A Review of R Modeling Fundamentals
• MODELING BASICS
• 4 The Ames Housing Data
• 5 Spending our Data
• 6 Fitting Models with parsnip
• 7 A Model Workflow
• 8 Feature Engineering with recipes
• 9 Judging Model Effectiveness
• TOOLS FOR CREATING EFFECTIVE MODELS
• 10 Resampling for Evaluating Performance
• 11 Comparing Models with Resampling
• 12 Model Tuning and the Dangers of Overfitting
• 13 Grid Search
• 14 Iterative Search
• 15 Screening Many Models
• BEYOND THE BASICS
• 16 Dimensionality Reduction
• 17 Encoding Categorical Data
• 18 Explaining Models and Predictions
• 19 When Should You Trust Your Predictions?
• 20 Ensembles of Models
• 21 Inferential Analysis
• APPENDIX
• A Recommended Preprocessing
• REFERENCES

[[Удален]]

СанСаныч Фоменко #:

Хорошая книга с большим объемом кода. Даю ссылку. К сожалению, размер .PDF файла слишком большой

//---------------------------------------

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

[СанСаныч Фоменко]

Lorarica #:

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

Откажитесь от привычки читать только заголовки:  книга - это не пост в твиттере.

Более половины книги я прочитал, поэтому сам могу судить о содержании, есть разделы, которые на 80% состоят из кода.

Вот перечень пакетов, которые использовались при написании кода в книге. 

This version of the book was built with: R version 4.1.3 (2022-03-10), pandoc version
2.17.1.1, and the following packages:
• applicable (0.0.1.2, CRAN)
• av (0.7.0, CRAN)
• baguette (0.2.0, CRAN)
• beans (0.1.0, CRAN)
• bestNormalize (1.8.2, CRAN)
• bookdown (0.25, CRAN)
• broom (0.7.12, CRAN)
• censored (0.0.0.9000, GitHub)
• corrplot (0.92, CRAN)
• corrr (0.4.3, CRAN)
• Cubist (0.4.0, CRAN)
• DALEXtra (2.1.1, CRAN)
• dials (0.1.1, CRAN)
• dimRed (0.2.5, CRAN)
• discrim (0.2.0, CRAN)
• doMC (1.3.8, CRAN)
• dplyr (1.0.8, CRAN)
• earth (5.3.1, CRAN)
• embed (0.1.5, CRAN)
• fastICA (1.2-3, CRAN)
• finetune (0.2.0, CRAN)
• forcats (0.5.1, CRAN)
• ggforce (0.3.3, CRAN)
• ggplot2 (3.3.5, CRAN)
• glmnet (4.1-3, CRAN)
• gridExtra (2.3, CRAN)
• infer (1.0.0, CRAN)
• kableExtra (1.3.4, CRAN)
• kernlab (0.9-30, CRAN)
• kknn (1.3.1, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• stringr (1.4.0, CRAN)
• svglite (2.1.0, CRAN)
• text2vec (0.6, CRAN)
• textrecipes (0.5.1.9000, GitHub)
• themis (0.2.0, CRAN)
• tibble (3.1.6, CRAN)
• tidymodels (0.2.0, CRAN)
• tidyposterior (0.1.0, CRAN)
• tidyverse (1.3.1, CRAN)
• tune (0.2.0, CRAN)
• uwot (0.1.11, CRAN)
• workflows (0.2.6, CRAN)
• workflowsets (0.2.1, CRAN)
• xgboost (1.5.2.1, CRAN)
• yardstick (0.0.9, CRAN

По своему содержанию книга представляет собой систематическое изложение проблем и их решений того, что называется "машинное обучение", на данном сайте весьма полезна, так как под "машинным обучением" обычно понимают только модель.

[mytarmailS]

Lorarica #:

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

В разделе про программное обеспечение она искала много кода...)))) 

А много "умных слов" и картинок это для неё недостаток. ..)))) 

Клоунесса

[mytarmailS]

СанСаныч Фоменко #:

Книга супер, но тут некому её читать

[[Удален]]

А где там стат. вывод после ресемплинга и cv? И построение финального классификатора. Эту тему берите и развивайте. Это основа козула.

Тулз фор креатинг эфектив моделз, компаринг мультипл моделз виз ресамплинг. Дальше должно быть что-то вроде стат. вывода и построения несмещенной модели.

Статистикал лернинг нам нужен. Это дает какие-то результаты, в сравнении с тем же РЛ и прочими метОдами.

Найдите в R: statistical learning, weak supervised learning, functional augmentation learning.

[[Удален]]

В питоне есть либа snorkel. У них на сайте где-то приводились сравнения обучения с учителем vs обучение со слабым контролем. Что второе аутперформит первое. Это тоже полезно знать.

https://www.snorkel.org/

[[Удален]]

СанСаныч Фоменко #:

Откажитесь от привычки читать только заголовки:  книга - это не пост в твиттере.

Более половины книги я прочитал, поэтому сам могу судить о содержании, есть разделы, которые на 80% состоят из кода.

Вот перечень пакетов, которые использовались при написании кода в книге. 

По своему содержанию книга представляет собой систематическое изложение проблем и их решений того, что называется "машинное обучение", на данном сайте весьма полезна, так как под "машинным обучением" обычно понимают только модель.

Да. Хороша книга.

Поскольку Вы прочли половину.

Могли бы наверное написать одну строчку кода.

Наиболее запомнившуюся Вам?

P.Z.

Советую всем изучить книгу.

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
statistical learning

козул - это самореклама, новая наклейка на старые штаны.

Maxim Dmitrievsky #:
А где там стат. вывод после ресемплинга и cv? И построение финального классификатора. Эту тему берите и развивайте. Это основа козула.

Тулз фор креатинг эфектив моделз, компаринг мультипл моделз виз ресамплинг. Дальше должно быть что-то вроде стат. вывода и построения несмещенной модели.

Статистикал лернинг нам нужен. Это дает какие-то результаты, в сравнении с тем же РЛ и прочими метОдами.

Найдите в R: statistical learning, weak supervised learning, functional augmentation learning.

Козул - это недобросовестная реклама, новая наклейка на старые штаны. 

Тулз фор креатинг эфектив моделз, компаринг мультипл моделз виз ресамплинг. Дальше должно быть что-то вроде стат. вывода и построения несмещенной модели.

Это стандарт машинного обучения и значительная часть книги рассматривает именно эти вопросы, которым много лет и для решения которых придумано множество инструментов. Часть 3 книги так и называется: Tools for Creating Effective Models со следующим содержанием:

·         10 Повторная выборка для оценки производительности

·         11 Сравнение моделей с повторной выборкой

·         12 Настройка модели и опасность переобучения

·         13 Поиск по сетке

·         14 Итеративный поиск

·         15 Просмотр множества моделей

Кроме этого имеется глава 20 "Ensembles of Models", которая рассказывает как построить финальную модель.

Статистикал лернинг нам нужен.

Нужен? пожалуйста: CRAN Task View: Machine Learning & Statistical Learning

[[Удален]]

Ансамбли уже ближе к козулу, по крайней мере можно выровнять смещение, при возросшей дисперсии.

Но у вас останется куча шума в предсказаниях (потому что дисперсия больше), что будете с ним делать? То есть у ТС даже на трейне будет, скажем, всего 60% прибыльных сделок. И на тесте столько же или меньше.

Ага, вы начнете делать стакинг, чтобы скорректировать этот шум.. ну попробуйте.