Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2589
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
https://stats.stackexchange.com/questions/31513/new-revolutionary-way-of-data-mining
Bir model seçerken, OOS'taki kârla değil, bu kârın trende kâra oranıyla optimize edilmesi önerilir. Veya böyle küçük bir orana sahip modelleri atın ve kalanlardan OOS'ta maksimum karı alın. Bu, alıntıları spekülasyon olmadan tam anlamıyla anlarsanız.
Bir model seçerken, OOS'taki kârla değil, bu kârın trende kâra oranıyla optimize edilmesi önerilir. Veya böyle küçük bir orana sahip modelleri atın ve kalanlardan OOS'ta maksimum karı alın. Bu, alıntıları spekülasyon olmadan tam anlamıyla anlarsanız.
Bir model seçerken, OOS'taki kârla değil, bu kârın trende kâra oranıyla optimize edilmesi önerilir. Veya böyle küçük bir orana sahip modelleri atın ve kalanlardan OOS'ta maksimum karı alın. Bu, alıntıları spekülasyon olmadan tam anlamıyla anlarsanız.
Yukarıdaki örneğimde madeni para ve 10.000 kişi var. Tura 1, tura 0 olsun. Bu algoritmaya göre hareket edersek biz de bir şey elde edemeyiz. Açıklanan bağlam için anlaşılabilir. Başka bir deyişle, bir tür avantajla karşılaştıysanız, IS ve OOS'taki kazanç oranını veya kar oranını veya başka bir şeyi almanız o kadar önemli değildir, ancak herhangi bir avantaj yoksa, bunların hiçbiri o kadar önemli değildir. yöntemler işe yarayacaktır.
Aynen öyle! Önce bir kenarın varlığını değerlendirmemiz gerekiyor. Ve ancak o zaman zaten nasıl seçileceğini düşünmek. Örneğin, şunun gibi: Belirli bir eşiğin üzerindeki bazı metrikler için modellerin IS payına bakarız. Örneğin, kazanma oranı modellerin %55 - %45'inin üzerindedir. Kazanma oranına göre sıralıyoruz, biraz TOP alıyoruz. Bakalım bu zirve için sonuçlar OOS'a nasıl düştü? %55'in üzerindeki seçili kazanma oranlarının aynı %45'i (OOS'ta bu kadar çok vermenin tüm seçilenlere oranı) modelleri mi veriyor? - Bence bu model grubunu güvenle atabilirsin. Böyle bir TOP seçiminin işe yaradığı açıksa, bu etkinin ne kadar güçlü ifade edildiğine göre bir kenar vardır, desenin (kenarın) kalitesini değerlendirmek mümkündür. Yeterince güçlü olduğuna karar verdik. Hepsi bu kadar, daha fazla seçim bir teknik meselesidir - ancak en azından aynı kazanma oranı, PF için, dahası, doğrudan IS'de kazanma oranı ve PF açısından karmaşık ölçümler ve mantıklarla uğraşmanıza gerek yoktur.
Alexey, kar, maksimum kar, modelleri çöpe atmak hakkında söylenen bir alıntıdan bir parça alabilir miyim ....
Ücretsiz bir çevirim var) Sonuç olarak, birçok model başlangıçta eğitilmiştir ve sonunda çalışan bir model seçmeniz gerekir (model değerlendirmesi). Yoldaş, herkesin genellikle FOS'ta maksimum sonucu veren modeli seçtiğini ve bunun yanlış bir yaklaşım olduğunu savunuyor. İkinci alıntısı, bunun nasıl yapılması gerektiğini belirtir.
Örnek dışı modellerin ortalaması, örnek içi puanın önemli bir yüzdesiyse, başarılı olduğunuzu bilirsiniz. Bu, FOS başına kârın tren başına kâra oranının maksimize edilmesi olarak çevrilmiştir.
Genel olarak konuşursak, numune dışı sonuçlar, numune içi sonuçların yüzde 50'sinden fazlaysa, gerçekten bir yere varıyorsunuz demektir. Bu, FOS başına kârın tren başına kâra oranının 0,5'ten az olduğu ıskarta modeller olarak tercüme edilebilir.Eh, olduğu gibi, bu zaten bir model seçme meselesi, evet, optimizasyonda olduğu gibi. Sübjektif olarak kendi kriterlerinizi oluşturabilirsiniz.
Parametrelerde biraz farklılık gösteren, yani dağılıma izin veren bir grup model varsa fena değil, ancak hepsi OOS'u geçiyor. Ama bu elbette her derde deva değil.
Alexey, optimizasyon yüzeyini geri yüklemek için herhangi bir yöntem var mı?
Eksik gelen, koşullu olarak hiper parametre değerleri kümeleri için model kalite metriklerini tamamlayın mı? Güçlendirmeyi eğitmek kolaydır. Bu neden gerekli olabilir?
Eksik gelen, koşullu olarak hiper parametre değerleri kümeleri için model kalite metriklerini tamamlayın mı? Güçlendirmeyi eğitmek kolaydır. Bu neden gerekli olabilir?
Alexey, optimizasyon yüzeyini geri yüklemek için herhangi bir yöntem var mı?
Model parametre uzayında mı? Çok büyük bir boyutu var. Bu, yalnızca az sayıda tahmin ediciye sahip çok basit modeller için mümkündür.
Muazzam boyutlu bir uzayda bir yüzeyin nasıl oluşturulabileceği çok açık değil. Bu boyuta kıyasla çok az puanımız olabilir. PCA ve benzeri gibi bazı görselleştirme yöntemleri ile boyutları küçültmedikçe, ancak anlamı belirsizdir.
Eh, olduğu gibi, bu zaten bir model seçme meselesi, evet, optimizasyonda olduğu gibi. Kendi kriterlerinizi subjektif olarak belirleyebilirsiniz.
Parametrelerde biraz farklılık gösteren, yani dağılıma izin veren bir grup model varsa fena değil, ancak hepsi OOS'u geçiyor. Ama bu elbette her derde deva değil.
Daha önce, standart metrikleri özel olanlarla birleştirme fikriniz vardı, öyle bir şekilde anladım ki, modeller standart olanlara göre eğitiliyor ve seçim özel olanlara göre yapılıyor.