Meningkatkan adalah algoritma yang membantu mengurangkan varians dan bias dalam ensemble pembelajaran mesin. Algoritma Algoritma (Algos) Algoritma (Algos) adalah sekumpulan arahan yang diperkenalkan untuk melaksanakan tugas. Algoritma diperkenalkan untuk mengautomasikan perdagangan untuk menjana keuntungan pada frekuensi yang mustahil bagi peniaga manusia membantu dalam penukaran pelajar lemah menjadi pelajar yang kuat dengan menggabungkan bilangan pelajar N.
Sumber: Sirakorn [CC BY-SA]
Meningkatkan juga dapat meningkatkan ramalan model untuk pembelajaran algoritma. Pelajar lemah diperbaiki secara berurutan oleh pendahulunya dan, dalam prosesnya, mereka ditukarkan menjadi pelajar yang kuat.
Bentuk Peningkatan
Meningkatkan dapat mengambil beberapa bentuk, termasuk:
1. Peningkatan Adaptif (Adaboost)
Adaboost bertujuan untuk menggabungkan beberapa pelajar yang lemah untuk membentuk satu pelajar yang kuat. Adaboost menumpukan perhatian pada pelajar yang lemah, yang sering menjadi pohon keputusan dengan hanya satu perpecahan dan biasanya disebut sebagai keputusan. Keputusan keputusan pertama di Adaboost mengandungi pemerhatian yang ditimbang sama.
Kesalahan sebelumnya diperbetulkan, dan setiap pemerhatian yang diklasifikasikan secara tidak betul diberikan lebih berat daripada pemerhatian lain yang tidak mempunyai kesalahan dalam pengelasan. Algoritma dari Adaboost banyak digunakan dalam prosedur regresi dan klasifikasi. Kesalahan yang diperhatikan pada model sebelumnya disesuaikan dengan pemberat sehingga peramal tepat dibuat.
2. Peningkatan Gradien
Peningkatan kecerunan, sama seperti prosedur pembelajaran mesin ensemble yang lain, secara berurutan menambahkan ramalan ke ensemble dan mengikuti urutan dalam membetulkan ramalan sebelumnya untuk sampai pada peramal yang tepat pada akhir prosedur. Adaboost membetulkan kesilapan sebelumnya dengan menyesuaikan bobot untuk setiap pemerhatian yang salah dalam setiap iterasi, tetapi peningkatan gradien bertujuan untuk memasang peramal baru dalam kesalahan sisa yang dilakukan oleh peramal sebelumnya.
Peningkatan gradien menggunakan penurunan gradien untuk menentukan cabaran dalam ramalan pelajar yang digunakan sebelumnya. Kesalahan sebelumnya diserlahkan, dan, dengan menggabungkan satu pelajar yang lemah dengan pelajar yang berikutnya, kesalahan itu dikurangkan dengan ketara dari masa ke masa.
3. XGBoost (Peningkatan Gradien Ekstrim)
XGBoostimg menerapkan pohon keputusan dengan kecerunan yang ditingkatkan, peningkatan prestasi, dan kepantasan. Pelaksanaan mesin peningkatan gradien agak lambat, kerana latihan model yang mesti mengikut urutan. Oleh itu, mereka kekurangan Skalabilitas Skalabilitas dapat jatuh dalam konteks strategi kewangan dan perniagaan. Dalam kedua kes tersebut, ini bermaksud kemampuan entiti untuk menahan tekanan kerana kelambatan mereka.
XGBoost bergantung pada prestasi model dan kelajuan pengiraan. Ia memberikan pelbagai faedah, seperti paralelisasi, pengkomputeran terdistribusi, pengoptimuman cache, dan pengkomputeran di luar teras.
XGBoost memberikan paralelisasi dalam pembinaan pokok melalui penggunaan core CPU semasa latihan. Ia juga menyebarkan pengkomputeran ketika melatih model besar menggunakan kluster mesin. Pengkomputeran di luar teras digunakan untuk set data yang lebih besar yang tidak sesuai dengan ukuran memori konvensional. Pengoptimuman cache juga digunakan untuk algoritma dan struktur data untuk mengoptimumkan penggunaan perkakasan yang ada.
Kebaikan dan Kebaikan Meningkatkan
Sebagai model ensemble, meningkatkan dilengkapi dengan algoritma yang mudah dibaca dan ditafsirkan, menjadikan tafsiran ramalannya mudah dikendalikan. Kemampuan ramalannya efisien melalui penggunaan kaedah klonnya, seperti Bagging Bagging (Bootstrap Aggregation) Pembelajaran mesin ensemble dapat dikategorikan sebagai bagging dan boosting. Teknik bagging berguna untuk regresi dan statistik atau hutan rawak, dan pohon keputusan. Meningkatkan adalah kaedah yang tahan lasak yang dapat mengekang pemasangan berlebihan dengan mudah.
Satu kelemahan meningkatkan adalah sensitif terhadap outlier kerana setiap pengklasifikasi wajib memperbaiki kesalahan pada pendahulunya. Oleh itu, kaedah ini terlalu bergantung pada outliers. Kelemahan lain ialah kaedah ini hampir mustahil untuk ditingkatkan. Ini kerana setiap penganggar mendasarkan kebenarannya pada ramalan sebelumnya, sehingga membuat prosedur sukar diselaraskan.
Apa itu Pokok Pilihan?
Pokok pilihan adalah pengganti pokok keputusan. Mereka mewakili pengkelasan ensemble sambil memperoleh struktur tunggal. Perbezaan antara pohon opsyen dan pohon keputusan adalah yang pertama merangkumi kedua-dua simpul pilihan dan simpul keputusan, sementara yang kedua hanya merangkumi simpul keputusan.
Klasifikasi contoh memerlukan penyaringan melalui pokok. Node keputusan diperlukan untuk memilih salah satu cabang, sedangkan simpul pilihan diperlukan untuk mengambil seluruh kumpulan cabang. Ini bermaksud, dengan simpul pilihan, satu berakhir dengan banyak daun yang memerlukan penggabungan menjadi satu klasifikasi untuk berakhir dengan ramalan. Oleh itu, pengundian diperlukan dalam proses, di mana suara majoriti bermaksud bahawa simpul telah dipilih sebagai ramalan untuk proses tersebut.
Proses di atas menjelaskan bahawa simpul pilihan tidak boleh disertakan dengan dua pilihan kerana mereka akhirnya akan kehilangan undi jika mereka tidak dapat menemui pemenang yang pasti. Kemungkinan yang lain adalah mengambil purata anggaran kebarangkalian dari pelbagai jalan dengan mengikuti pendekatan seperti pendekatan Bayesian atau kaedah purata tanpa wajaran.
Pokok pilihan juga dapat dikembangkan daripada mengubah pelajar pohon keputusan yang ada atau membuat simpul pilihan di mana beberapa pemisah berkorelasi. Setiap pokok keputusan dalam tahap toleransi yang dibenarkan dapat ditukar menjadi pohon pilihan.
Lebih Banyak Sumber
Kewangan adalah pembekal rasmi Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certified Banking & Credit Analyst (CBCA) ™ akreditasi adalah standard global untuk penganalisis kredit yang merangkumi kewangan, perakaunan, analisis kredit, analisis aliran tunai, pemodelan perjanjian, pembayaran balik pinjaman, dan banyak lagi. program pensijilan, yang dirancang untuk mengubah sesiapa sahaja menjadi penganalisis kewangan bertaraf dunia.
Untuk terus belajar dan mengembangkan pengetahuan anda mengenai analisis kewangan, kami sangat mengesyorkan sumber kewangan tambahan di bawah:
- Fintech (Teknologi Kewangan) Fintech (Teknologi Kewangan) Istilah fintech merujuk kepada sinergi antara kewangan dan teknologi, yang digunakan untuk meningkatkan operasi perniagaan dan penyampaian perkhidmatan kewangan
- Kewangan Kuantitatif Kewangan Kuantitatif Kewangan kuantitatif adalah penggunaan model matematik dan set data yang sangat besar untuk menganalisis pasaran kewangan dan sekuriti. Contoh umum termasuk (1) harga sekuriti derivatif seperti opsyen, dan (2) pengurusan risiko, terutama yang berkaitan dengan pengurusan portfolio
- Spoofing Spoofing Spoofing adalah amalan perdagangan algoritma mengganggu yang melibatkan meletakkan tawaran untuk membeli atau menawarkan untuk menjual kontrak niaga hadapan dan membatalkan tawaran atau tawaran sebelum pelaksanaan perjanjian. Amalan ini bertujuan untuk mewujudkan gambaran permintaan yang salah atau pesimisme palsu di pasaran.
- Panduan Gaji Jurutera Perisian Panduan Gaji Jurutera Perisian Dalam panduan gaji jurutera perisian ini, kami merangkumi beberapa pekerjaan jurutera perisian dan gaji titik tengahnya yang sesuai untuk tahun 2018. Seorang jurutera perisian adalah seorang profesional yang menerapkan prinsip kejuruteraan perisian dalam proses reka bentuk, pengembangan, penyelenggaraan, pengujian, dan penilaian perisian yang digunakan dalam komputer
