江苏龙网

  1. 首页 > 生活 > >

交易策略的优化问题和机器学习深度学习的参数优化问题，有啥本质不同

一是因为你们的数据量对于问题复杂度来说，太少，二是因为你们的问题本身方差就极大，信噪比太低。所以你们的最优参数都是严重过拟合。其他机器学习领域也一样，都要控制过拟合。
■网友
举个例子,GP和神经网络的区别：
Genetic programming is different from all other approaches to artificial intelligence, machine learning, neural networks, adaptive systems,reinforcement learning, or automated logic in all (or most) of the following seven ways:
(1) Representation: Genetic programming overtly conducts it search for a solution to the given problem in program space.
(2) Role of point-to-point transformations in the search: Genetic programming does not conduct its search by transforming a single point in the search space into another single point, but instead transforms a set of points into another set of points.
(3) Role of hill climbing in the search: Genetic programming does not rely exclusively on greedy hill climbing to conduct its search, but instead allocates a certain number of trials, in a principled way, to choices that are known to be inferior.
(4) Role of determinism in the search: Genetic programming conducts its search probabilistically.
(5) Role of an explicit knowledge base: None.
(6) Role of formal logic in the search: None.
(7) Underpinnings of the technique: Biologically inspired.

原文：
【交易策略的优化问题和机器学习深度学习的参数优化问题，有啥本质不同】 sevendiffs

■网友
是这样：我原来采用参数的时候，是需要看这个参数周围，偏差百分之五的范围内的所有参数，都能取得较优的结果，那就采用这个参数值。 可是放在深度学习里面，我无法控制参数偏移量，是不是就无法做这件事情了？ 又或者，因为参数是一点点“偏导数修正”而来，本身就已经保证了“参数周围的一定范围内”也是较优的？ 那么我怎么取得，有最大较优范围的那个参数呢？貌似深度学习里面的参数都是不能做比对的，因为参数太多了。还有一个问题2：机器学习的目标是寻找让“成本函数”最小的“最优参数”，这本身就是是对“已有的训练集，验证集，测试集”――所有已知数据的“过拟合”。模型研究者看着在测试集上跑的结果，可以接受，然后就认可了这个模型。――测试集也只是没有用来改变参数而已。解决这个问题2的思路在于利用抽样方法：简单随机抽样，系统抽样，分层抽样等。这些抽样貌似在深度学习里面，没怎么提过。


    推荐阅读


    上一篇：趣头条|美式情怀Jeep UNLIMITED大玩具

    下一篇：用WIX来做国内的网站优缺点是啥