文章 "机器学习中的量化（第1部分）：使用 CatBoost 的理论、示例代码和实现分析"

[MetaQuotes]

新文章 机器学习中的量化（第1部分）：使用 CatBoost 的理论、示例代码和实现分析已发布：

本文探讨了量化在树模型构建中的理论应用，并展示了使用 CatBoost 实现的量化方法。不使用复杂的数学方程。

那么什么是量化，为什么要使用量化呢？让我们来弄清楚！

首先，让我们谈谈数据。因此，为了创建模型（进行训练），我们需要在表中仔细收集数据。此类数据的来源可以是能够解释目标数据的任何信息（由模型确定，例如交易信号）。数据源被称为不同的预测因素、特征、属性或因素。数据线的出现频率由现象的可比过程观察的发生来确定，关于哪些信息正在被收集，哪些信息将使用机器学习进行研究。所获得的全部数据称为样本。

样本可以是有代表性的——这是指其中记录的观察结果描述了所研究现象的整个过程，也可以是不具有代表性的，因为有尽可能多的数据可以收集，这只允许对所研究现象过程进行部分描述。通常，当我们处理金融市场时，我们处理的是非代表性样本，因为可能发生的一切还没有发生。因此，我们不知道金融工具在发生新事件（以前从未发生过）时会如何表现。然而，每个人都知道“历史会重演”的格言。算法交易员在研究中依赖的正是这一观察结果，希望在新的事件中会有与以前类似的事件，并且它们的结果将与确定的概率相似。

作者：Aleksey Vyazmikin

[Stanislav Korotky]

错别字：

3. Сохранение таблиц квантования в указанный файл – ключ "--input-borders-file"

4.从指定文件加载量化表 - 关键字"--输出边界文件"

反转

[Sergey Pavlov]

机器学习中的量化不是量子神经网络（量子神经网络训练 也不是）。

[Aleksey Vyazmikin]

Stanislav Korotky #:

错别字：

对面。

谢谢！

[Aleksey Vyazmikin]

Sergey Pavlov 神经网络学习 也不是）。

这是在哪里断言的？量化 "一词是否误导和扭曲了人们的期望？

[Andrey Dik]

谢谢你的文章，很有意思！

[Aleksey Vyazmikin]

Andrey Dik #:
感谢您的文章，非常有趣！

非常激动！

[Yevgeniy Koshtenko]

非常有趣的文章！我能加为好友吗？我是 ML 的新手。我试着编写模型代码并将其保存在 ONNX 中，但得到的结果都是一派胡言，或者只是对历史数据的基本记忆（......）。

[Aleksey Vyazmikin]

Yevgeniy Koshtenko #:
非常有趣的文章！

谢谢！

Yevgeniy Koshtenko#:
我可以加你为好友吗？我是 ML 的新手。我试着编写模型代码并将其保存在 ONNX 中，但得到的结果都是一派胡言，或者只是对历史数据的基本记忆（......）。

已加您为好友，不过任何人都可以给我写信--没有程序限制。