Tehostaminen on algoritmi, joka auttaa vähentämään varianssia ja ennakkoluuloja koneoppimisryhmässä. Algoritmit Algoritmit (Algos) Algoritmit (Algos) ovat joukko ohjeita, jotka otetaan käyttöön tehtävän suorittamiseksi. Algoritmit otetaan käyttöön automatisoimaan kaupankäynti tuottamaan voittoja taajuudella, jota ihmiskaupan harjoittaja on mahdotonta. yhdistämällä N oppijoiden lukumäärä.
Lähde: Sirakorn [CC BY-SA]
Tehostaminen voi myös parantaa oppimisalgoritmien malliennusteita. Heikot oppijat korjaavat edeltäjänsä peräkkäin, ja prosessin aikana heidät muunnetaan vahviksi oppijoille.
Tehostamisen muodot
Tehostusta voi olla useita muotoja, mukaan lukien:
1. Adaptiivinen tehostus (Adaboost)
Adaboostin tavoitteena on yhdistää useita heikkoja oppijoita muodostamaan yksi vahva oppija. Adaboost keskittyy heikkoihin oppijoihin, jotka ovat usein päätöspuita vain yhdellä haaralla ja joita kutsutaan yleisesti päätöksenteoksi. Adaboostin ensimmäinen päätöskannu sisältää havainnot, jotka painotetaan tasavertaisesti.
Aikaisemmat virheet korjataan, ja väärin luokitelluille havainnoille annetaan enemmän painoa kuin muille havainnoille, joilla ei ollut virheitä luokittelussa. Adaboostin algoritmeja käytetään yleisesti regressio- ja luokitteluprosesseissa. Aikaisemmissa malleissa havaittua virhettä säädetään painotuksella, kunnes tarkka ennuste on tehty.
2. Liukuvärjäys
Gradienttiparannus, kuten mikä tahansa muu yhtyeiden koneoppimisprosessi, lisää ennustimet sarjaan peräkkäin ja seuraa järjestystä korjaamalla edeltäviä ennustajia saadakseen tarkan ennustajan toimenpiteen lopussa. Adaboost korjaa aiemmat virheensä säätämällä painotuksia jokaiselle väärälle havainnolle jokaisessa iteraatiossa, mutta gradientin tehostamisen tarkoituksena on sovittaa uusi ennustin edellisen ennustajan tekemiin jäännösvirheisiin.
Gradientin tehostaminen käyttää gradientin laskeutumista havaitsemaan haasteet oppijoiden aiemmin käyttämissä ennusteissa. Edellinen virhe korostuu, ja yhdistämällä yksi heikko oppija seuraavalle oppijalle, virhe pienenee merkittävästi ajan myötä.
3. XGBoost (Extreme Gradient Boosting)
XGBoostimg toteuttaa päätöksenteon puita parannetulla kaltevuudella, parannetulla suorituskyvyllä ja nopeudella. Gradienttiparannettujen koneiden toteutus on suhteellisen hidasta johtuen malliharjoituksesta, jonka on noudatettava järjestystä. Siksi niillä ei ole skaalautuvuutta Skaalautuvuus Skaalautuvuus voi pudota sekä taloudellisessa että liiketoimintastrategiassa. Molemmissa tapauksissa se tarkoittaa yksikön kykyä kestää hitaudesta johtuvaa painetta.
XGBoost on riippuvainen mallin suorituskyvystä ja laskennanopeudesta. Se tarjoaa erilaisia etuja, kuten rinnakkaistamisen, hajautetun laskennan, välimuistin optimoinnin ja ytimen ulkopuolisen laskennan.
XGBoost tarjoaa rinnakkaisuuden puun rakentamiseen käyttämällä CPU-ytimiä harjoittelun aikana. Se jakaa myös tietojenkäsittelyä, kun se kouluttaa suuria malleja koneklustereiden avulla. Ytimen ulkopuolista tietojenkäsittelyä käytetään suurempiin tietojoukoihin, jotka eivät mahdu tavalliseen muistikokoon. Välimuistin optimointia käytetään myös algoritmeihin ja tietorakenteisiin käytettävissä olevan laitteiston käytön optimoimiseksi.
Hyödyt ja haitat Boostingille
Yhdistelmämallina tehostaminen sisältää helposti luettavan ja tulkittavan algoritmin, mikä tekee sen ennustetulkinnoista helppoja käsitellä. Ennakointikyky on tehokas käyttämällä sen kloonimenetelmiä, kuten laukkujen laukkujen pakkaus (Bootstrap Aggregation). Ensemble-koneoppiminen voidaan luokitella pääasiassa pussitukseen ja tehostamiseen. Säkitystekniikka on hyödyllinen sekä regressio- että tilastollisille tai satunnaisille metsille ja päätöspuille. Tehostaminen on joustava menetelmä, joka hillitsee yliasennusta helposti.
Yksi tehostamisen haittapuoli on se, että se on herkkä poikkeamille, koska jokaisen luokittelijan on korjattava edeltäjien virheet. Menetelmä on siten liian riippuvainen poikkeamista. Toinen haitta on, että menetelmää on melkein mahdotonta laajentaa. Tämä johtuu siitä, että jokainen estimaattori perustaa oikeutensa edellisiin ennustajiin, mikä tekee menettelystä virtaviivaista.
Mitä ovat optiopuut?
Optiopuut korvaavat päätöksentekopuut. Ne edustavat yhtyeiden luokittelijoita ja johtavat samalla rakenteen. Ero optiopuiden ja päätöspuiden välillä on se, että edelliset sisältävät sekä optiosolmut että päätössolmut, kun taas jälkimmäinen sisältää vain päätössolmut.
Ilmentymän luokittelu edellyttää sen suodattamista puun läpi. Päätösolmu vaaditaan yhden haaran valitsemiseksi, kun taas vaihtoehtoinen solmu vaaditaan ottamaan koko haararyhmä. Tämä tarkoittaa, että optiosolmulla päädytään useisiin lehtiin, jotka edellyttävät yhdistämistä yhdeksi luokitukseksi ennusteen saamiseksi. Siksi äänestys vaaditaan prosessissa, jossa enemmistöäänestys tarkoittaa, että solmu on valittu prosessin ennusteeksi.
Yllä oleva prosessi tekee selväksi, että optiosolmuissa ei pitäisi olla kahta vaihtoehtoa, koska ne menettävät äänensä, jos he eivät löydä varmaa voittajaa. Toinen mahdollisuus on ottaa todennäköisyysennusteiden keskiarvo eri reiteiltä seuraamalla lähestymistapoja, kuten Bayesin lähestymistapa tai painottamaton keskiarvomenetelmä.
Optio-puita voidaan myös kehittää muokkaamalla nykyisiä päätöksentekopuun oppijoita tai luomalla optiosolmu, jossa useita jakaumia korreloi. Jokainen sallitun toleranssitason mukainen päätöspuu voidaan muuntaa optiopuiksi.
Lisää resursseja
Rahoitus on Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ -sertifikaatin virallinen toimittaja. Certified Banking & Credit Analyst (CBCA) ™ -sertifikaatti on maailmanlaajuinen luottotietojen analyytikoiden standardi, joka kattaa rahoituksen, kirjanpidon, luottotutkimukset, kassavirta-analyysit kovenanttimallinnus, lainojen takaisinmaksut ja paljon muuta. sertifiointiohjelma, joka on suunniteltu muuttamaan kuka tahansa maailmanluokan rahoitusanalyytikkoksi.
Jotta voisit oppia ja kehittää taloudellisen analyysin tietosi, suosittelemme alla olevia lisärahoitusresursseja:
- Fintech (rahoitustekniikka) Fintech (rahoitustekniikka) Termi fintech viittaa rahoituksen ja teknologian väliseen synergiaan, jota käytetään liiketoiminnan ja rahoituspalvelujen tehostamiseen.
- Kvantitatiivinen rahoitus Kvantitatiivinen rahoitus Kvantitatiivinen rahoitus on matemaattisten mallien ja erittäin suurten aineistojen käyttö rahoitusmarkkinoiden ja arvopapereiden analysointiin. Yleisiä esimerkkejä ovat (1) johdannaisten, kuten optioiden, hinnoittelu ja (2) riskien hallinta, varsinkin kun se liittyy salkunhoitoon
- Spoofing Spoofing Spoofing on häiritsevä algoritminen kaupankäynnin käytäntö, johon sisältyy futuurisopimusten osto- tai myyntitarjousten tekeminen ja tarjousten tai tarjousten peruuttaminen ennen kaupan toteuttamista. Tämän käytännön tarkoituksena on luoda väärä kuva kysynnästä tai väärä pessimismi markkinoilla.
- Ohjelmistoinsinööri-palkkaopas Ohjelmistoinsinööri-palkkaopas Tässä ohjelmistosuunnittelijan palkkaoppaassa käsitellään useita ohjelmistosuunnittelijan töitä ja niitä vastaavat keskipalkat vuodelle 2018. Ohjelmistosuunnittelija on ammattilainen, joka soveltaa ohjelmistosuunnittelun periaatteita suunnittelun, kehittämisen, ylläpidon, tietokoneissa käytettävien ohjelmistojen testaus ja arviointi
