交易中的机器学习:理论、模型、实践和算法交易 - 页 3316

 
Maxim Dmitrievsky #:
我不知道我心里在想什么,这又是胡说八道
已经有其他 MO 向你证实,你根本没有思考。
你还能绕多少圈子?

你为什么烦躁不安?

绿线是痕迹,红线是验证。带红圈的标记是验证误差图从下降到上升的地方,也就是 "全局极值"(Global Extreme)!- 这就是你必须停止训练的地方。你看,问题的答案很简单吧?任何学习的本质都是寻找全局极值的优化。任何 MO 方法都可以归结为这一点,即优化某个评估函数,使其达到全局极值(损失函数最小化或评估函数最大化)。但你不是优化师,怎么会呢? 即使你不刻意优化,MO 方法也会帮你优化。

 
Maxim Dmitrievsky #:
大家是否证实了 Sanych 的错误解释,即老师是标记的同义词?

不,它们不一样,不是同义词。

虽然分数可以充当老师,但这取决于任务。但不可能把它们明确地等同起来。

 
Andrey Dik #:

你为什么烦躁不安?

绿线是轨迹,红线是验证。带红圈的标记是验证误差图从下降到上升的地方,也就是全局极值!- 这就是你必须停止训练的地方。你看,问题的答案很简单吧?任何学习的本质都是寻找全局极值的优化。任何 MO 方法都可以归结为这一点,即优化某个评估函数,使其达到全局极值(损失函数最小化或评估函数最大化)。但你不是优化师,怎么会呢? 即使你没有刻意去做,MO 方法也会帮你做到。

在您的案例中,这是重新训练模型的图形。
在断点之后,复杂度的增加会导致过度训练的增加,这正是我们刚才所说的。
 
Valeriy Yastremskiy 数据结构 相关的任务。
  • 任务举例:

    • 有教师指导的学习:分类、回归、预测、欺诈检测、对象检测、机器翻译等。
    • 无教师学习:聚类、降维(PCA、t-SNE)、关联规则、数据可视化等。
  • 模型评估:

    • 有教师的学习:通过将模型与已知标签进行比较,根据模型的预测或分类能力对其进行评估。评估可能包括准确率、F1-测量、均方根误差和其他指标。
    • 无教师学习:由于没有已知标签进行比较,因此估算较为困难。评估可以基于对聚类质量的目测、与其他算法的比较或专家分析。
  • 这两种学习方式在机器学习中都有应用,如何选择取决于具体任务和可用数据。有时也会使用混合方法,将有教师学习和无教师学习结合起来,以达到更好的效果。

    显然,这里面有问题。

    回到定义。

    P.Z.

    离结束不远了。

    咦 Huh.有人顿悟了

     
    Andrey Dik #:
    的确类似,但在密苏里州,这张图的显示和含义有所不同。)

    我想知道您是否知道这一点。)

     
    Maxim Dmitrievsky #:
    这是在你的案例中重新训练的模型图。
    为什么是 "我的情况"?每个人都一样。如果你在红圈之后继续训练,就会得到一个训练过度的模型。因此,请等待几次迭代,直到有效性在几次迭代后开始增长,停止训练并选择红圈为全局极值的结果。有些人可能会将结果进行 2 次、3 次、4 次或更多次迭代,但这并不会改变本质,因为这仍然需要找到全局极值。
     
    Andrey Dik #:
    为什么是 "我的"?它们都是这样的。如果在红圈之后继续训练,就会得到一个训练过度的模型。因此,你需要等待数次迭代,直到有效性在数次迭代中开始增长,然后停止训练,并选择红圈为全局极值的结果。有些人可以将结果进行 2 次、3 次、4 次或更多次迭代,但这并不会改变本质,你仍然需要找到这个全局极值。
    在圆圈之前,你得到了一个重新训练的模型。
     
    Maxim Dmitrievsky #:
    ...
    到一定程度后,复杂性的增加会导致训练过度,而这正是我们刚才所说的。

    这是一个追踪和验证图。复杂性与此无关。这是一个事实,无论你在 MO 中做什么,你都在寻找一个全局极端,你是一个优化者,无论你如何否认这一点。

     
    Maxim Dmitrievsky #:
    你在圆圈前得到了一个重新训练的模型。
    够了,你已经完全迷失了。要么就反过来证明,但不是用单词短语,而是用图画、解释。
     
    Andrey Dik #:
    够了,你完全搞砸了。要么反过来证明,但不是用一句话,而是用图画和解释。
    这是三叶草和轴每次迭代的误差图。在每次迭代/回波之后,模型都会变得复杂。你没有画出 y 轴上圆周的误差是多少,以及 x 轴上有多少次迭代/振荡。如果是 0.5,那么模型在那里没有学到任何东西,然后就会开始重新训练。这就是为什么你的图表什么都没有。

    全局最大/最小误差为零。