"Rastgele Ormanlar Öngörü Trendleri" makalesi için tartışma - sayfa 3
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Şu anda karlı mı?
Makaledeki örnek göstermeliktir, son derece gereksizdir.
Özel olarak rastgele ormanlardan ve genel olarak makine öğrenimi modellerinin uygulanmasından bahsedersek (sinir ağları bu algoritma sınıfına aittir), bunlar ticarette yaygın olarak kullanılmaktadır.
NOT. Forumda çok sayıda NS destekçisi var. Yani bunlar ticaret için en verimli algoritmalar değildir. Rastgele ormanlar çok daha verimlidir.
Makaledeki örnek bir gösteri niteliğindedir ve son derece gereksizdir.
Özel olarak rastgele ormanlardan ve genel olarak makine öğrenimi modellerinin uygulanmasından bahsedersek (sinir ağları bu algoritma sınıfına aittir), bunlar ticarette yaygın olarak kullanılmaktadır.
NOT. Forumda çok sayıda NS destekçisi var. Yani bunlar ticaret için en verimli algoritmalar değildir. Rastgele ormanlar çok daha etkilidir.
Nerelerdeydin?
Bir süredir senden haber alamadım?
Nerelerdeydin?
Bir süredir senden haber alamadım?
Daha derinlemesine materyal için herhangi bir bağlantınız var mı?
Daha ayrıntılı materyallere bağlantılarınız var mı?
Bu konuda çoğu İngilizce olmak üzere çok sayıda literatür var.
Sınıflandırma sorunlarının makaledekinden çok daha ayrıntılı olarak tartışıldığı "Trendleri Tahmin Etmek" adlı bir kitap yazdım. Kitap, teknik belgelerin birebir çevirilerini (yaklaşık %30), Forex piyasasında sınıflandırma modellerinin kullanımına ilişkin örnekleri (metnin yaklaşık %20'si) ve sınıflandırma modelleri oluşturma ideolojisinin açıklamasını içeriyor. Ayrıca, sınıflandırma modellerine dayalı bir Uzman Danışman oluşturmak için atılacak adımların sırasını da açıklamaktadır.
Daha fazla ayrıntı ekte.
NOT. Kitap, konuyla ilgili oldukça kapsamlı bir literatür listesine sahiptir.
vlad19492014.11.23 15:
Sevgili Vlad!
Makine öğrenimi algoritmalarının verimliliğine ilişkin tüm argümanlar tek bir koşul altında anlamlıdır: model yeniden eğitilmemiştir. Benim pratiğimde, eğitilmemiş bir model elde etmek çok zordur. özellikle bu makalede, aşırı eğitilmiş bir modeldir.
Modelin aşırı eğitilmesi, hatalı bir tahminci kümesi nedeniyle ortaya çıkar, tüm köpek bunlara gömülür. Bu nedenle, tüm çabalar tahmin edicilerin seçimine ve ardından modele yönlendirilmelidir.
Bana öyle geliyor ki, tahmin edicilerin belirli bir hedef değişken için uygunluğuna dair resmi işaretler bulmayı başardım. Eğer bu konuyla ilgileniyorsanız, bunu özel olarak tartışmaktan memnuniyet duyarım.
vlad19492014.11.23 15:
Sevgili Vlad!
Makine öğrenimi algoritmalarının verimliliğine ilişkin tüm argümanlar tek bir koşul altında anlamlıdır: model yeniden eğitilmemiştir. Benim pratiğimde, eğitilmemiş bir model elde etmek çok zordur. özellikle bu makalede, aşırı eğitilmiş bir modeldir.
Modelin aşırı eğitilmesi, hatalı bir tahminci kümesi nedeniyle ortaya çıkar, tüm köpek bunlara gömülür. Bu nedenle, tüm çabalar tahmin edicilerin seçimine ve ardından modele yönlendirilmelidir.
Bana öyle geliyor ki, tahmin edicilerin belirli bir hedef değişken için uygunluğuna dair resmi işaretler bulmayı başardım. Bu konuyla ilgileniyorsanız, özel olarak görüşmekten memnuniyet duyarım.
тттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттт
Tabii ki ilgileniyorum. Yaz
vlad19492014.11.23 15:
http://a ppliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
Bu linki blogumda açıklamalı olarak yayınladım. Kimse bununla ilgilenmedi. İşte makalenin kendisi
Modelin aşırı eğitilmesi, yanlış öngörücü kümesi nedeniyle oluşur, tüm köpek bunların içine gömülür. Bu nedenle, tüm çabalar tahmin edicilerin seçimine ve ardından modele yönlendirilmelidir.
Model ve tahmin edicilerin seçimi birbiriyle ilişkilidir. Öncelikle bir model seçilmeli, ardından bu modele dayalı olarak tahmin ediciler seçilmeli ve aynı modelle tahminde en az "kullanışlılığa" sahip olan tahmin ediciler elenmelidir. Birçok makale ve ders kitabı aksini öğretse de: önce bu tahmin ediciler ile hedef seri - çıktı - arasındaki ilişkiyi hesaplayan bazı yöntemler kullanarak tahmin edicileri seçeriz. En yaygın tarama yöntemleri, tahmin ediciler ile çıktı arasındaki korelasyon katsayısı ve karşılıklı bilgidir. Daha sonra genellikle tahmin edicilerin nasıl seçildiğiyle ilgisi olmayan bir model seçilir. Eğer düşünürseniz (ve ekonometri ders kitapları bunu size söylemez, kendiniz düşünmeniz gerekir), çıktı ile korelasyon katsayısına göre tahmin edicileri seçme yöntemi esasen doğrusal bir regresyon modelinde (LRC) en küçük hataya sahip olacak tahmin edicileri seçer. Tahmin edicileri çıktı ile karşılıklı bilgilerine göre seçme yöntemi, esasen Nadaraya-Watson regresyon tabanlı modelde en düşük hatayı verecek tahmin edicileri seçer (abartılı adı GRNN).