Могут ли нейросети найти в данных что-то такое, чего не видят более простые модели?

[mehanizator]

У нас есть много разных способов построить модель предсказателя, который берет имеющийся вектор данных и строит предсказание. Самые простые - линейные модели, модели ближайших соседей. Можно вейвлеты прицепить, при желании. Используя бустинг, можно все это слепить воедино, получить мощный предсказатель, раскрывающий разные тонкие особенности данных.

Остается вопрос, стоит ли усложнять предсказатели, выходя на такой скользкий уровень, как нейронные сети и генетические алгоритмы? Могут они в принципе найти что-то такое, чего просмотрел широкий набор более простых моделей?

 

[Виктор 2007]

А зачем предсказывать вообще??? Это вещь неблагодарная!!!

 

[mehanizator]

трейдинг это предсказание. предлагаете завязывать с трейдингом?

 

[tarasp]

генетика однозначно может. имхо это отличный способ перелопатить кучу данных. что-то из найденного будет неробастно, а что-то очень даже юзабельно. получить из руды кучу блестяшек и отделить золото от меди))

нейросети, как аппроксиматоры ряда - наверное могут... слышал, что для стох.процессов рулят нейронные сети на жидких вычислениях (http://www.twirpx.com/user/527838/#div_comment_138513)

вот еще тема - эконофизика... http://chaos.in.ua/tags/ekonofizika

 

[mehanizator]

неробастное нам не надо тут подсказывают, что нейросети хороши как классификаторы. а ну как все данные в виде стационарных числовых рядов идут?

 

[yu-sha]

Не следует путать вопрос применения с вопросом обучения - это сильно разные области.

Применять можно для прогнозирования, классификации, аппроксимации, кластеризации ... Можно даже заставить обученную нейронную сеть показывать в каком направлении следует двигать входы (т.е. причины), чтобы выходы (следствия) сместились в нужном направлении.

А вот процесс обучения (причем независимо от структуры сети, типов нейронов и целей ее применения) - сводится к поиску точки минимума (или максимума) Целевой Функции Обучения в пространстве адаптивных параметров.
Выбор алгоритма обучения ограничивается структурой сети и типами нейронов.

Обучить нейронную сеть на исторических данных так, чтобы торговая система на ее основе была робастной в будущем - задача еще та )))
Беда в том, что выбор структуры сети + Целевой Функции Обучения + алгоритма обучения далеко не всегда приводит к максимизации Целевой Функции Применения ))) И понять эту взаимосвязь не легче, чем обучиться шаманству

>линейные модели, модели ближайших соседей. Можно вейвлеты прицепить, при желании. Используя бустинг, можно все это слепить воедино, получить мощный предсказатель, раскрывающий разные тонкие особенности данных.
Вот стравить в очном поединке простые модели с нейросетями, думаю, будет интересно
Готов быть тренером нейронных сетей ))

 

[pashag81]

мне кажеться, что все это бесполезно само по себе. Сам начинал с того , что пробовал и бустинг и генетику и вейвлеты и малти страджи дискавери и реифорсмент леарнинги всякие PCA ICA и еще много чего, но весь этот компьютер сайнс плохо работает аут оф сампле. Понял следующую вещь что пока сам эффект какой то не поймешь, не возможно какой то такой машинг леарнинг заставить работать.