As part of a predictive model competition I participated in earlier this month, I found myself trying to accomplish a peculiar task. The challenge organizers were going to use “mean absolute percentage error” (MAPE) as their criterion for model evaluation. Since this is not a standard loss function built into most software, I decided to write...
我认为应该进一步调查损失函数的定制，以适应我们交易者的需求。
作为一个例子，这里有一篇关于这个主题的文章。
为了获得更广泛的视角？
首先从实际角度证明其意义：例如，如果你这样做，你会得到这个，会导致这个......。等。
在这里，你可以在谷歌上键入任何关于这个主题的词，分支将在眨眼间被淹没在链接中，直至不可能。
我认为应该进一步调查损失函数的定制，以适应我们交易者的需求。
作为一个例子，这里有一篇关于这个主题的文章。
同意。
标准分类和回归并不十分适合BP。
同意。
标准分类和回归并不十分适合BP。
我想从学习如何建立任何所需的、正确的损失函数开始--以便它更类似于，例如，利润最大化，并使学习算法与这些函数正常工作。显然，即使是最简单的线性回归，我们也必须深入了解最基本的情况。
我想从学习如何建立任何所需的、正确的损失函数开始--使其更类似于，例如，利润最大化，并使学习算法能与这些函数很好地工作。
最大化本身有什么问题？
可能存在条件差的问题，这取决于所使用的衡量标准。升压的梯度和Hessian计算可能有问题。
可能存在条件差的问题，这取决于所使用的衡量标准。升压的梯度和Hessian计算可能有问题。
自定义指标被用来选择模型，但学习仍然是通过标准指标（例如分类的logloss）。因为你的指标与特征/目标关系无关，而标准的指标则与之有关。而这里有点不清楚的是，接下来是通过夏普比率或R2来选择模型，还是在最大化它们时立即停止学习。这可能是两种方式都可以做的。
然而，实验一下放弃标准指标，用类似于metatrader优化中使用的指标来取代它们，这 将是很有趣的。
我还没有准备好声称那个圣杯是提供的）但我想我会在某个时候尝试去弄清楚。
不过，完全放弃标准指标，用类似于metatrader优化中使用的指标来取代它们，这样的实验还是很有意思的）最有可能的是，我将不得不进入一个较低的层次，直接与优化包一起工作--类似这样。
我还没有准备好承诺这是一个圣杯），但我想我会在某个时候尝试处理它。
在大特征空间（几十个特征）的情况下，如何事先确定哪种条件性更好？
当然，对于标准指标来说，条件性总是更好的--否则它们就不是标准了。 但它能阻止你发明自己的自行车吗？)