Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3338

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Это для новичков подсказки, нужен козул и умение думать

Вот, идите в статистикал лернинг, не толпитесь на проходной

Можно тезисно про то, как построить финальную модель, по версии этой книги? Я с телефона, не могу сейчас посмотреть.

A model ensemble, where the predictions of multiple single learners are aggregated to make one prediction, can produce a high-performance final model. The most popular methods for creating ensemble models are bagging (Breiman 1996a), random forest (Ho 1995; Breiman 2001a), and boosting (Freund and Schapire 1997). Each of these methods combines the predictions from multiple versions of the same type of model (e.g., classifications trees). However, one of the earliest methods for creating ensembles is model stacking (Wolpert 1992; Breiman 1996b).

Model stacking combines the predictions for multiple models of any type. For example, a logistic regression, classification tree, and support vector machine can be included in a stacking ensemble.

This chapter shows how to stack predictive models using the stacks package. We’ll re-use the results from Chapter 15 where multiple models were evaluated to predict the compressive strength of concrete mixtures.

The process of building a stacked ensemble is:

1. Assemble the training set of hold-out predictions (produced via resampling).
2. Create a model to blend these predictions.
3. For each member of the ensemble, fit the model on the original training set.

20.5 CHAPTER SUMMARY

This chapter demonstrated how to combine different models into an ensemble for better predictive performance. The process of creating the ensemble can automatically eliminate candidate models to find a small subset that improves performance. The stacks package has a fluent interface for combining resampling and tuning results into a meta-model.

Это взгляд на проблему автора книги, но это не единственный способ объединение несколько моделей - в R существуют пакеты для объединения моделей.  Например, caretEnsemble: Ensembles of Caret Models

[[Удален]]

Нужен ансамбль и стакинг, то есть бустинг над классификаторами. Ансамбль убирает смещение, а стакинг дисперсию. В теории это может работать, на практике не делал. И это будет много моделей, что неприятно в продакшне.

Потому что когда дойдете до продакшна, запаритесь с кучей моделей. А хочется одну-две.

Плюс никак не решается вопрос, что не всегда нужно быть в рынке. Модель будет молотить постоянно. Вот из-за этих, скажем так нюансов, ломается полный цикл от разработки до внедрения.

 Тестер будет медленно тестить, все будет медленно, ватно.

[[Удален]]

Там еще, похоже, в книге путают ансамбль и стакинг. Короче это нормальный подход, но он может быть ватным в продакшне. И для этого не нужна пакетов гора. 

А, еще не решается наиболее важная проблема разметки.

[[Удален]]

Как вот недавно давали ссылку на статью Владимира. Пример наиболее ватного создания ТС. Когда ты сделал кучу работы, трансформаций, а на выходе получил какую-то модель, которую можно получить случайным перебором, ничего не делая. Это интересно, но непродуктивно.

[Aleksei Kuznetsov]

Maxim Dmitrievsky #:
 все будет медленно, ватно.

Maxim Dmitrievsky #:
Там еще, похоже, в книге путают ансамбль и стакинг. Короче это нормальный подход, но он может быть ватным в продакшне.

Maxim Dmitrievsky #:
Как вот недавно давали ссылку на статью Владимира. Пример наиболее ватного создания ТС.

Что за ватность?

[[Удален]]

Forester #:

Что за ватность?

Синоним медленно

[[Удален]]

Предлагаю вернуться к козулу, statistical learning’у и reliable AI.

P.Z.

Разобраться в тончайших его деталях.

[[Удален]]

Lorarica #:

Предлагаю вернуться к козулу, statistical learning’у и reliable AI.

P.Z.

Разобраться в тончайших его деталях.

Если прямо в деталях, то вот почитайте 

[СанСаныч Фоменко]

Замечательная книга как памятник бесстыдству и беспринципности!

Главное повесить свою табличку и прокукарекать - глядишь найдутся лохи  ( а может быть очень расчетливые люди) , которые клюнут на табличку, не понимая, или же понимая, что все, чт о излагается - это хорошо известные из математической статистики инструменты

Статистике несколько тысяч лет. Развиваясь и обогащаясь математическая статистика, наблюдая случайные вокруг нас процессы,  пыталась ответь на следующие вопросы;

1. Какие характеристики у этих случайных процессов?

2. Каковы причины этих случайных процессов?

3. Какое будущее у этих случайных процессов?

Теперь появляются ушлые ребята, которые начинают кричать про "причинно-следственный вывод"  в качестве объяснения смысла этого новаторского термина на полном серьезе и голубом  начинают популярно излагать основы регрессионного анализа на примере линейной регрессии.

Просто обалдеть!

И эта новая табличка для очень старых положений прокатывает!

На сегодня в R, единственном языке для статистики, хорошо структурированном и документированном, насчитывается более 10 000 пакетов и свыше 120 000 функций, которые являются инструментами для ответа на выше приведенные вопросы, одним из которых является выяснение ПРИЧИН И СЛЕДСТВИЙ. 

А зачем нам новые таблички? Чтобы ушлые ребята намыли деньги и им не задавали дурацкие вопросы о наличии базового образования.

[[Удален]]

Ну ответьте тогда на самый простой вопрос: чем ассоциативная связь отличается от причинно-следственной, раз все знаете? И тогда уже решим, кому памятник бесстыдства или стыда поставить :)

А выяснение причин и следствий не является причинно-следственным выводом, позвольте поинтересоваться? :)

То есть вот этот как бы всплеск адреналина с какими конкретно проблемами непонимания связан? В чем почувствовали для себя угрозу?