交易中的机器学习：理论、模型、实践和算法交易 - 页 3385

[mytarmailS]

Maxim Dmitrievsky #:
你不是想写一篇关于规则的文章吗？这也许是个有趣的话题，比最小化测试功能更有趣。还是你对 OOS 的验证有问题？或者没有问题，只是懒得写。

我不知道，没什么好写的。

我会写如何将木质模型分解成规则，那又怎样？

事实上，我的帖子已经说明了一切。

还是你指的是我以前的帖子？如果是这样的话，在拆分过程中，我没有发现超强的愈合能力，但有一些优点是不能给模型带来任何影响的。

1.可以大大降低模型的维度。

2. 可以知道每条规则的统计数据（这一点非常重要）。

例如，我们有一个包含 100 条规则的木质模型，但我们永远不知道每条规则在 100 条规则中是起作用一次（没有模式），还是 10 条规则起作用 50 次（有模式）。

如果我们不打破这个模型，我们就不会知道，两个模型对我们来说都是一样的。

[Maxim Dmitrievsky]

mytarmailS #:
我不知道，我真的没什么可写的。

我会写如何将木制模型分解成规则，那又怎样？

基本上，我的帖子已经向你展示了一切。

还是你指的是我以前的帖子？如果是这样的话，在拆分过程中，我没有发现超级愈合特性，但有一些优点是不能给模型带来任何影响的。

1.可以大大降低模型的维度。

2. 可以知道每条规则的统计数据（这一点非常重要）。

例如，我们有一个包含 100 条规则的木质模型，但我们永远不知道每条规则在 100 条规则中是起作用一次（没有模式），还是 10 条规则起作用 50 次（有模式）。

如果我们不打破这个模型，我们就不会知道，两个模型对我们来说都是一样的。

在树状模型中，你通常可以计算出每个特征的每个观测值对模型的影响和贡献，例如通过 shap 值。如果我们只留下有用的特征，并只对它们进行训练，就能得到近似规则搜索的结果。顺便说一句，神经元也可以做到这一点。

很难理解什么时候只有规则才是唯一有用的。也许是为了结果的可解释性。虽然形状值也能提供很好的可解释性，算是吧。

[mytarmailS]

Maxim Dmitrievsky #:
在树状结构中，你通常可以计算出每个观测值对每个性状的影响，例如，通过 shap 值计算出它对模型的贡献。如果只留下有用的观测值，并只对它们进行训练，就能得到近似规则搜索的结果。顺便说一句，神经元也可以做到这一点。

很难理解什么时候只有规则才是唯一有用的。也许是为了结果的可解释性。虽然形状值也能提供很好的可解释性。

每个特征的影响、每个观察结果的影响和每个规则的影响都是不同的

[Maxim Dmitrievsky]

mytarmailS #:
每个特征的影响、每个观测值的影响和每个规则的影响都是不同的

规则是连接特征和标签的模型元素。唯一的问题是，神经网络没有不连续性，但可以人为地制造不连续性。

我想说的是，我不认为规则有什么意义（意味深长地抽着烟斗）。

[mytarmailS]

Maxim Dmitrievsky #:
规则是模型中连接属性和标签的元素。唯一的问题是，神经网络没有不连续性，但可以人为地制造不连续性。 。

我想说的是，我不认为规则有什么意义。

我从哈巴罗夫斯克的角度试试看......

任何模型都是一定模式的总和，夸张地说，一个模式可以被称为一个 TS。

假设一个模型由 100 个 TC 组成。

可能在模式 #1 中，100 个 TS 做了一笔交易。

也可能在模式 #2 中，一个 TS 做了 100 笔交易，而其他 99 个 TS 没有做任何交易。

如何 计算每个 TS 的统计数据 ？

如果是规则模型，则简单明了。

如果是神经模型？

[Maxim Dmitrievsky]

mytarmailS #:

我从哈巴罗夫斯克附近试试。

如果模型是神经元？

/\

!

!

你和桑尼奇不是在同一个工作室工作吗？

你选择的例子都是NS能很好预测的。你只用它们来训练另一个 NS。根据自己的喜好重复几次。几轮之后，你就能找到 "规则 "最好的 NS。

也很容易，我不会说不可理解。

[mytarmailS]

Maxim Dmitrievsky #:

选择 NS 预测良好的示例。只对它们训练另一个 NS。根据自己的喜好重复几次。几轮之后，你就会得到 "规则 "最好的 NS。

你怎么知道这个子样本中只有一个模式、两个还是二十个？你真的不知道区别吗？

[Maxim Dmitrievsky]

mytarmailS #:
好吧，我们得到了一个神经元预测良好的子样本。 你怎么知道在这个子样本中是一种模式，两种还是二十种？你真的不知道区别吗？

通过剩下的例子数量有多少样本就有多少模式这是一个近似规则，我不是说它和严格规则一样。但你可以进一步划分样本，直到每种模式都划分完整。

[mytarmailS]

Maxim Dmitrievsky #:
根据剩下的例子数量。有多少个示例，就有多少种模式。

可能有 200 个例子，但只有 5 种模式。

一个例子不是一种模式，一个例子就是一个观察结果。

[Maxim Dmitrievsky]

mytarmailS #:
可以有 200 个例子，但只有 5 种模式。

一个例子不是一个模式，一个例子就是一个观察结果。

如果误差已经停止下降或等于零，则可以通过某种接近度：）将剩余的示例划分为模式。例如聚类。然后计算还剩下多少个。甚至为每个模式/聚类写一个平均条件（取聚类的中心点），你就会得到一个输出规则。