Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3405
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
Алексей,
ты противопоставляешь очищение выборки от лишних признаков и метод по улучшнеию качества классификации.
Это разные задачи как классификация и кластеризация как теплое и мягкое.
И если ты это делаешь, а ты это делаешь то это не моя мания величия , нееееет))))
Это ты откровенно тупишь, без обид
По факту важны предикторы те, с которыми модель показала/может показать лучший результат. И целью является отобрать подобные предикторы не заглядывая в будущее. Как это будет сделано - вопрос уже второй. Результатом для меня было бы снижение разброса фин результата модели - этого нет.
Я согласен, что нужны идеальные условия для оценки эффективности того или иного метода. Почему модель может обучаться лучше на линейно зависимых предикторах - потому что в модели появляется фактически коэффициент усиления определенных предикторов по значимости за счет выбора одной и той же информации для сплита в разных деревьях.
И, бросайте привычку разбрасывать песок в песочнице - он же может попасть в глаза...
Тут я уже писал, что это фин результат 100 обученных моделей CatBoost. Модели с разными значениями seed - а так одинаковые гиперпараметры.
А почему только сиды разные? почему не на выборках разных?
В бусте также можно и баланс классов установить, ты делал это?
А почему только сиды разные? почему не на выборках разных?
Это сарказм? Seed влияет на генератор случайных чисел, который тут влияет на отбор признака при выборе его после подсчета эффективности. Т.е. выбран будет по сути не всегда лучший.
В бусте также можно и баланс классов установить, ты делал это?
Разумеется.
Это сарказм? Seed влияет на генератор случайных чисел, который тут влияет на отбор признака при выборе его после подсчета эффективности. Т.е. выбран будет по сути не всегда лучший.
А в чем ты сарказм увидел?
почему гонять одну модель 100 раз на трех одинаковых выборках это не сарказм
а сделать 500 выборок и прогнать модель это саркам?
или ты думаешь что разные сиды как то выборку меняют, может это сарказм?
А в чем ты сарказм увидел?
В абсурдности предложения.
почему гонять одну модель 100 раз на трех одинаковых выборках это не сарказм
Модель не одна, мы создаём разные модели за счет разного seed.
Использование сопоставимых данных обучения допускает возможность сопоставить и результат от этого обучения.
а сделать 500 выборок и прогнать модель это саркам?
С какой целью? Опишите цели и задачи постановки такого эксперимента и что он может показать.
или ты думаешь что разные сиды как то выборку меняют, может это сарказм?
Меняют предикторы, используемые для построения модели и их очерёдность выбора.
Соответственно, допускаем, что изначально есть лишние/ненужные предикторы, которые ухудшают результат, а значит задачей является их исключить из обучения.
Модель не одна, мы создаём разные модели за счет разного seed.
так разные модели или одна модель на разных сидах ?
одна модель, на одной выборке с разными сидами это ниразу не разные модели.
С какой целью? Опишите цели и задачи постановки такого эксперимента и что он может показать.
Для более реалистичной оценки, как кросвалидация или тот же казуал
так разные модели или одна модель на разных сидах ?
одна модель, на одной выборке с разными сидами это ниразу не разные модели.
Как может быть одна модель с разными сидами - я чего то явно не понимаю Вас.
Построили модель, а потом при применении меняем seed? У CatBoost нет такого функционала даже.
Для более реалистичной оценки, как кросвалидация или тот же казуал
Так Вы опишите конкретно - общие фразы не делают понятней подход.
Типа:
1. Отобрали предикторы на общей выборке.
2. Сделали 500 подвыборок, зафиксировав их.
3. Обучили по 100 моделей на каждой подвыборке с разными методами
4. Получили 500*100*4=200 000 (двести тысяч) моделей спусти тучу времени
5. Теперь мы их хитрым образом оценим - как?
6. Сделаем вывод.
Как может быть одна модель с разными сидами - я чего то явно не понимаю Вас.
Построили модель, а потом при применении меняем seed? У CatBoost нет такого функционала даже.
Так Вы опишите конкретно - общие фразы не делают понятней подход.
Типа:
1. Отобрали предикторы на общей выборке.
2. Сделали 500 подвыборок, зафиксировав их.
3. Обучили по 100 моделей на каждой подвыборке с разными методами
4. Получили 500*100*4=200 000 (двести тысяч) моделей спусти тучу времени
5. Теперь мы их хитрым образом оценим - как?
6. Сделаем вывод.
есть у тебя ТС на скользящих средних
ты подбираешь параметры(периоды средних) к этой ТС на одном и том же участке но с разными сидами.
ТС - это модель catboost
Аналогия ясна?
По второму вопросу, почитай статью Макса про казуал, а то я устану обяснять, уже устал если честно
Кто там хотел дообучать умную LLM
Вопрос к тупому барду
сколько ты потребляеш ресурсов?
Мое потребление ресурсов зависит от задачи, которую я выполняю.
В среднем:
Конкретные примеры:
Важно отметить:
есть у тебя ТС на скользящих средних
ты подбираешь параметры(периоды средних) к этой ТС на одном и том же участке но с разными сидами.
ТС - это модель catboost
Аналогия ясна?
По второму вопросу, почитай статью Макса про казуал, а то я устану обяснять, уже устал если честно
Тут я уже устал - изучайте, как строятся модели...
Конструктивно не хотите общаться.