El impulso es un algoritmo que ayuda a reducir la variación y el sesgo en un conjunto de aprendizaje automático. El algoritmo Algoritmos (Algos) Los algoritmos (Algos) son un conjunto de instrucciones que se introducen para realizar una tarea.Los algoritmos se introducen para automatizar el comercio para generar ganancias a una frecuencia imposible para un comerciante humano ayuda en la conversión de estudiantes débiles en estudiantes fuertes combinando N número de alumnos.
Fuente: Sirakorn [CC BY-SA]
El impulso también puede mejorar las predicciones del modelo para algoritmos de aprendizaje. Los aprendices débiles son corregidos secuencialmente por sus predecesores y, en el proceso, se convierten en aprendices fuertes.
Formas de impulso
El impulso puede tomar varias formas, que incluyen:
1. Refuerzo adaptativo (Adaboost)
Adaboost tiene como objetivo combinar varios alumnos débiles para formar un único alumno fuerte. Adaboost se concentra en los estudiantes débiles, que a menudo son árboles de decisión con una sola división y se los conoce comúnmente como tocones de decisión. El primer muñón de decisión en Adaboost contiene observaciones que se ponderan por igual.
Se corrigen los errores anteriores y se asigna más peso a las observaciones que se clasificaron incorrectamente que a otras observaciones que no tenían errores de clasificación. Los algoritmos de Adaboost se utilizan popularmente en procedimientos de regresión y clasificación. Un error observado en modelos anteriores se ajusta con ponderación hasta que se obtiene un predictor preciso.
2. Mejora de gradiente
El aumento de gradiente, al igual que cualquier otro procedimiento de aprendizaje automático de conjunto, agrega secuencialmente predictores al conjunto y sigue la secuencia para corregir los predictores anteriores para llegar a un predictor preciso al final del procedimiento. Adaboost corrige sus errores anteriores ajustando los pesos para cada observación incorrecta en cada iteración, pero el aumento de gradiente tiene como objetivo ajustar un nuevo predictor en los errores residuales cometidos por el predictor anterior.
El aumento de gradiente utiliza el descenso de gradiente para identificar los desafíos en las predicciones de los estudiantes utilizadas anteriormente. Se destaca el error anterior y, al combinar un alumno débil con el siguiente, el error se reduce significativamente con el tiempo.
3. XGBoost (aumento de gradiente extremo)
XGBoostimg implementa árboles de decisión con gradiente mejorado, rendimiento mejorado y velocidad. La implementación de máquinas impulsadas por gradientes es relativamente lenta, debido al entrenamiento del modelo que debe seguir una secuencia. Por lo tanto, carecen de escalabilidad Escalabilidad La escalabilidad puede caer en contextos de estrategia empresarial y financiera. En ambos casos, representa la capacidad de la entidad para resistir la presión debido a su lentitud.
XGBoost depende del rendimiento de un modelo y la velocidad computacional. Proporciona varios beneficios, como paralelización, computación distribuida, optimización de caché y computación fuera del núcleo.
XGBoost proporciona paralelización en la construcción de árboles mediante el uso de núcleos de CPU durante el entrenamiento. También distribuye computación cuando entrena modelos grandes usando grupos de máquinas. La computación fuera del núcleo se utiliza para conjuntos de datos más grandes que no caben en el tamaño de memoria convencional. La optimización de la caché también se utiliza para algoritmos y estructuras de datos para optimizar el uso del hardware disponible.
Pros y contras de impulsar
Como modelo de conjunto, el impulso viene con un algoritmo fácil de leer e interpretar, lo que hace que sus interpretaciones de predicción sean fáciles de manejar. La capacidad de predicción es eficiente mediante el uso de sus métodos de clonación, como ensacado Embolsado (Bootstrap Aggregation) El aprendizaje automático del conjunto se puede clasificar principalmente en ensacado y refuerzo. La técnica de ensacado es útil tanto para regresiones como para bosques estadísticos o aleatorios y árboles de decisión. El impulso es un método resistente que frena el ajuste excesivo fácilmente.
Una desventaja del impulso es que es sensible a los valores atípicos, ya que cada clasificador está obligado a corregir los errores de los predecesores. Por tanto, el método depende demasiado de valores atípicos. Otra desventaja es que el método es casi imposible de ampliar. Esto se debe a que cada estimador basa su exactitud en los predictores anteriores, lo que dificulta la simplificación del procedimiento.
¿Qué son los árboles de opciones?
Los árboles de opciones son los sustitutos de los árboles de decisiones. Representan clasificadores de conjuntos mientras derivan una sola estructura. La diferencia entre los árboles de opciones y los árboles de decisión es que el primero incluye tanto los nodos de opción como los nodos de decisión, mientras que el segundo incluye solo los nodos de decisión.
La clasificación de una instancia requiere filtrarla por el árbol. Se requiere un nodo de decisión para elegir una de las ramas, mientras que se requiere un nodo de opción para tomar todo el grupo de ramas. Esto significa que, con un nodo de opción, uno termina con varias hojas que requerirían combinarse en una clasificación para terminar con una predicción. Por lo tanto, se requiere votación en el proceso, donde una mayoría de votos significa que el nodo ha sido seleccionado como la predicción para ese proceso.
El proceso anterior deja en claro que los nodos de opciones no deben incluir dos opciones, ya que terminarán perdiendo el voto si no pueden encontrar un ganador definitivo. La otra posibilidad es tomar el promedio de estimaciones de probabilidad de varios caminos siguiendo enfoques como el enfoque bayesiano o el método de promedios no ponderados.
Los árboles de opciones también se pueden desarrollar modificando los aprendices del árbol de decisiones existente o creando un nodo de opciones donde se correlacionan varias divisiones. Cada árbol de decisión dentro de un nivel de tolerancia permitido se puede convertir en árboles de opciones.
Más recursos
Finance es el proveedor oficial de Certified Banking & Credit Analyst (CBCA) ™ Certificación CBCA ™ La acreditación Certified Banking & Credit Analyst (CBCA) ™ es un estándar global para analistas de crédito que cubre finanzas, contabilidad, análisis de crédito, análisis de flujo de efectivo, modelos de convenios, pagos de préstamos y más. programa de certificación, diseñado para transformar a cualquier persona en un analista financiero de clase mundial.
Para seguir aprendiendo y desarrollando su conocimiento del análisis financiero, recomendamos encarecidamente los recursos financieros adicionales a continuación:
- Fintech (tecnología financiera) Fintech (tecnología financiera) El término fintech se refiere a la sinergia entre las finanzas y la tecnología, que se utiliza para mejorar las operaciones comerciales y la prestación de servicios financieros.
- Finanzas cuantitativas Finanzas cuantitativas Las finanzas cuantitativas son el uso de modelos matemáticos y conjuntos de datos extremadamente grandes para analizar los mercados financieros y valores. Los ejemplos comunes incluyen (1) el precio de valores derivados, como opciones, y (2) la gestión de riesgos, especialmente en lo que se refiere a la gestión de carteras
- Spoofing Spoofing Spoofing es una práctica de negociación algorítmica disruptiva que implica realizar ofertas para comprar u ofertas para vender contratos de futuros y cancelar las ofertas u ofertas antes de la ejecución del acuerdo. La práctica pretende crear una imagen falsa de demanda o pesimismo falso en el mercado.
- Guía de sueldos de ingeniero de software Guía de sueldos de ingeniero de software En esta guía de sueldos de ingeniero de software, cubrimos varios trabajos de ingeniero de software y sus correspondientes sueldos intermedios para 2018. Un ingeniero de software es un profesional que aplica los principios de la ingeniería de software en los procesos de diseño, desarrollo, mantenimiento, prueba y evaluación de software utilizado en computadoras
