Palielināšana ir algoritms, kas palīdz samazināt dispersiju un aizspriedumus mašīnmācīšanās ansamblī. Algoritmi Algoritmi (Algos) Algoritmi (Algos) ir instrukciju kopums, kas tiek ieviests, lai veiktu uzdevumu. Algoritmi tiek ieviesti, lai automatizētu tirdzniecību, lai gūtu peļņu tādā biežumā, kāds nav iespējams tirgotājam, palīdz vājiem izglītojamajiem pārvērsties par spēcīgiem audzēkņiem. apvienojot N izglītojamo skaitu.
Avots: Sirakorn [CC BY-SA]
Paaugstināšana var arī uzlabot mācību algoritmu modeļu prognozes. Viņu priekšgājēji secīgi izlabo vājos izglītojamos, un procesā viņi tiek pārvērsti par spēcīgiem izglītojamajiem.
Paaugstināšanas formas
Paaugstināšanai var būt vairākas formas, tostarp:
1. Adaptīvā pastiprināšana (Adaboost)
Adaboost mērķis ir apvienot vairākus vājus izglītojamos, lai izveidotu vienu spēcīgu izglītojamo. Adaboost koncentrējas uz vājiem izglītojamajiem, kas bieži ir lēmumu koki ar tikai vienu sadalījumu un kurus parasti dēvē par lēmumu celmiem. Pirmajā Adaboost lēmuma celmā ir novērojumi, kas tiek vērtēti vienādi.
Iepriekšējās kļūdas tiek labotas, un visiem novērojumiem, kas tika klasificēti nepareizi, tiek piešķirts lielāks svars nekā citiem novērojumiem, kuros klasifikācijā nebija kļūdu. Adaboost algoritmus populāri izmanto regresijas un klasifikācijas procedūrās. Iepriekšējos modeļos pamanītā kļūda tiek koriģēta ar svēršanu, līdz tiek izveidots precīzs prognozētājs.
2. Gradienta palielināšana
Gradienta palielināšana, tāpat kā jebkura cita ansambļa mašīnmācīšanās procedūra, secīgi pievieno ansamblim prediktorus un seko secībai, koriģējot iepriekšējos prediktorus, lai procedūras beigās iegūtu precīzu prognozētāju. Adaboost izlabo iepriekšējās kļūdas, pielāgojot katra nepareizā novērojuma svaru katrā atkārtojumā, bet gradienta palielināšanas mērķis ir ievietot jaunu prognozētāju atlikušajās kļūdās, ko izdarījis iepriekšējais prognozētājs.
Gradienta palielināšana izmanto gradienta nolaišanos, lai precīzi noteiktu izaicinājumus iepriekš izmantotajās izglītojamo prognozēs. Iepriekšējā kļūda tiek izcelta, un, apvienojot vienu vāju izglītojamo ar nākamo, kļūda laika gaitā tiek ievērojami samazināta.
3. XGBoost (ārkārtējs gradienta pastiprinājums)
XGBoostimg īsteno lēmumu pieņemšanas kokus ar paaugstinātu gradientu, uzlabotu veiktspēju un ātrumu. Mašīnu ar gradientu pastiprināta ieviešana ir samērā lēna, pateicoties modeļa apmācībai, kurai jāievēro secība. Tāpēc tiem trūkst mērogojamības Mērogojamība Mērogojamība var samazināties gan finanšu, gan uzņēmējdarbības stratēģijas kontekstā. Abos gadījumos tas nozīmē uzņēmuma spēju izturēt spiedienu viņu lēnuma dēļ.
XGBoost ir atkarīgs no modeļa veiktspējas un skaitļošanas ātruma. Tas nodrošina dažādas priekšrocības, piemēram, paralelizāciju, sadalīto skaitļošanu, kešatmiņas optimizāciju un ārpus kodola aprēķināšanu.
XGBoost nodrošina paralēli koku veidošanā, izmantojot apmācības laikā procesora kodolus. Tas arī izplata skaitļošanu, apmācot lielus modeļus, izmantojot mašīnu kopas. Ārpus kodola esoša skaitļošana tiek izmantota lielākām datu kopām, kas neietilpst parastajā atmiņas lielumā. Kešatmiņas optimizācija tiek izmantota arī algoritmiem un datu struktūrām, lai optimizētu pieejamās aparatūras izmantošanu.
Plusi un mīnusi Boosting
Kā ansambļa modeli, palielināšana nāk ar viegli nolasāmu un interpretējamu algoritmu, padarot tā prognozes interpretācijas viegli apstrādājamas. Prognozēšanas spēja ir efektīva, izmantojot tās klona metodes, piemēram, iesaiņošanu maisiņos (Bootstrap Aggregation). Ansambļa mašīnmācīšanos galvenokārt var iedalīt maisos un palielināt. Maisīšanas tehnika ir noderīga gan regresijas, gan statistikas vai nejauša meža, gan lēmumu kokiem. Palielināšana ir elastīga metode, kas viegli ierobežo pārlieku piemērotu.
Viens no palielināšanas trūkumiem ir tas, ka tas ir jutīgs pret nepieļaujamajiem rādītājiem, jo katram klasifikatoram ir pienākums novērst kļūdas iepriekšējos. Tādējādi metode ir pārāk atkarīga no nepieļautajiem rādītājiem. Vēl viens trūkums ir tāds, ka metodi ir gandrīz neiespējami palielināt. Tas ir tāpēc, ka katrs novērtētājs savu pareizību pamato ar iepriekšējiem prognozētājiem, tādējādi apgrūtinot procedūras vienkāršošanu.
Kas ir opciju koki?
Opciju koki ir lēmumu koku aizstājēji. Viņi pārstāv ansambļu klasifikatorus, vienlaikus iegūstot vienotu struktūru. Atšķirība starp opciju kokiem un lēmumu kokiem ir tā, ka pirmais ietver gan opcijas mezglus, gan lēmumu mezglus, bet otrais - tikai lēmumu mezglus.
Lai klasificētu instanci, tā jāfiltrē pa koku. Lēmuma mezgls ir nepieciešams, lai izvēlētos vienu no filiālēm, turpretī opcijas mezgls ir nepieciešams, lai uzņemtu visu filiāļu grupu. Tas nozīmē, ka, izmantojot opcijas mezglu, viens beidzas ar vairākām lapām, kas būtu jāapvieno vienā klasifikācijā, lai iegūtu prognozi. Tāpēc procesā ir nepieciešama balsošana, kur balsu vairākums nozīmē, ka mezgls ir izvēlēts kā šī procesa prognoze.
Iepriekš minētais process skaidri norāda, ka opciju mezgliem nevajadzētu būt ar divām iespējām, jo tie galu galā zaudēs balsi, ja nevarēs atrast noteiktu uzvarētāju. Otra iespēja ir varbūtības novērtējuma vidējā līmeņa paņemšana no dažādiem ceļiem, izmantojot tādas pieejas kā Bajesa pieeja vai vidējo svērto metodi.
Opciju kokus var izstrādāt arī, modificējot esošos lēmumu koku audzēkņus vai izveidojot iespēju mezglu, kurā ir savstarpēji saistīti vairāki sadalījumi. Katru lēmumu koku pieļaujamās pielaides robežās var pārveidot par opciju kokiem.
Vairāk resursu
Finanses ir oficiālais sertificēto banku un kredītu analītiķu (CBCA) ™ CBCA ™ sertifikātu nodrošinātājs. Sertificētā banku un kredītu analītiķu (CBCA) ™ akreditācija ir globāls kredītanalītiķu standarts, kas aptver finanses, grāmatvedību, kredītu analīzi, naudas plūsmas analīzi, derības modelēšana, aizdevuma atmaksa un citas lietas. sertifikācijas programma, kas paredzēta ikviena pārveidošanai par pasaules klases finanšu analītiķi.
Lai turpinātu mācīties un pilnveidot savas zināšanas par finanšu analīzi, mēs iesakām tālāk norādītos papildu finanšu resursus:
- Fintech (finanšu tehnoloģija) Fintech (finanšu tehnoloģija) Termins fintech norāda uz finanšu un tehnoloģiju sinerģiju, ko izmanto, lai uzlabotu uzņēmējdarbību un finanšu pakalpojumu sniegšanu
- Kvantitatīvās finanses Kvantitatīvās finanses Kvantitatīvās finanses ir matemātisku modeļu un ārkārtīgi lielu datu kopu izmantošana, lai analizētu finanšu tirgus un vērtspapīrus. Parastie piemēri ir (1) atvasināto vērtspapīru, piemēram, opciju, cenu noteikšana un (2) riska pārvaldība, īpaši, ja tā attiecas uz portfeļa pārvaldību
- Spoofing Spoofing Spoofing ir traucējoša algoritmiska tirdzniecības prakse, kas ietver nākotnes līgumu pirkšanas vai pārdošanas piedāvājumu izdarīšanu un cenu vai piedāvājumu atcelšanu pirms darījuma izpildes. Šīs prakses mērķis ir radīt nepatiesu priekšstatu par pieprasījumu vai viltus pesimismu tirgū.
- Programmatūras inženiera atalgojuma rokasgrāmata Programmatūras inženiera algu ceļvedis Šajā programmatūras inženiera algu ceļvedī mēs aplūkojam vairākus programmatūras inženieru amatus un tiem atbilstošās vidējā līmeņa algas 2018. gadam. Programmatūras inženieris ir profesionālis, kurš projektēšanas, izstrādes, uzturēšanas, datoros izmantotas programmatūras testēšana un novērtēšana
