التعزيز - نظرة عامة ، النماذج ، إيجابيات وسلبيات ، أشجار الخيار

التعزيز هو خوارزمية تساعد في تقليل التباين والتحيز في مجموعة التعلم الآلي. خوارزميات الخوارزميات (Algos) (Algos) هي مجموعة من التعليمات التي يتم تقديمها لأداء مهمة ما. يتم تقديم الخوارزميات لأتمتة التداول لتوليد الأرباح بتردد مستحيل على المتداول البشري يساعد في تحويل المتعلمين الضعفاء إلى متعلمين أقوياء من خلال الجمع بين عدد N من المتعلمين.

التعزيزالمصدر: Sirakorn [CC BY-SA]

يمكن أن يؤدي التعزيز أيضًا إلى تحسين التنبؤات النموذجية لخوارزميات التعلم. يتم تصحيح المتعلمين الضعفاء بالتتابع من قبل أسلافهم ، وفي هذه العملية ، يتم تحويلهم إلى متعلمين أقوياء.

أشكال التعزيز

يمكن أن يتخذ التعزيز عدة أشكال ، بما في ذلك:

1. تعزيز التكيف (Adaboost)

يهدف Adaboost إلى الجمع بين العديد من المتعلمين الضعفاء لتكوين متعلم قوي واحد. يركز Adaboost على المتعلمين الضعفاء ، والذين غالبًا ما يكونون أشجار قرار ذات تقسيم واحد فقط ويشار إليها عادةً باسم جذوع القرار. يحتوي القرار الأول في Adaboost على ملاحظات مرجحة بالتساوي.

يتم تصحيح الأخطاء السابقة ، وأي ملاحظات تم تصنيفها بشكل غير صحيح يتم منحها وزنًا أكبر من الملاحظات الأخرى التي لم يكن بها خطأ في التصنيف. تُستخدم الخوارزميات من Adaboost بشكل شائع في إجراءات الانحدار والتصنيف. يتم ضبط الخطأ الذي تم ملاحظته في النماذج السابقة باستخدام الترجيح حتى يتم عمل توقع دقيق.

2. تعزيز التدرج

يضيف تعزيز التدرج ، تمامًا مثل أي إجراء آخر للتعلم الآلي للمجموعة ، تنبؤات متسلسلة للمجموعة ويتبع التسلسل في تصحيح المتنبئين السابقين للوصول إلى متنبئ دقيق في نهاية الإجراء. يصحح Adaboost أخطائه السابقة من خلال ضبط الأوزان لكل ملاحظة غير صحيحة في كل تكرار ، لكن تعزيز التدرج يهدف إلى تركيب متنبئ جديد في الأخطاء المتبقية التي ارتكبها المتنبئ السابق.

يستخدم تعزيز التدرج الانحدار المتدرج لتحديد التحديات في تنبؤات المتعلمين المستخدمة سابقًا. يتم إبراز الخطأ السابق ، ومن خلال الجمع بين متعلم ضعيف ومتعلم آخر ، يتم تقليل الخطأ بشكل كبير بمرور الوقت.

3. XGBoost (تعزيز التدرج الشديد)

يقوم XGBoostimg بتنفيذ أشجار القرار مع التدرج المعزز والأداء المحسن والسرعة. يعد تنفيذ الآلات المعززة بالتدرج بطيئًا نسبيًا ، نظرًا لتدريب النموذج الذي يجب أن يتبع تسلسلاً. وبالتالي ، فإنهم يفتقرون إلى قابلية التوسع قابلية التوسع يمكن أن تقع قابلية التوسع في كل من السياقات المالية واستراتيجيات الأعمال. في كلتا الحالتين ، فهي تعني قدرة الكيان على تحمل الضغط بسبب بطئها.

يعتمد XGBoost على أداء النموذج والسرعة الحسابية. يوفر مزايا متنوعة ، مثل الموازاة والحوسبة الموزعة وتحسين ذاكرة التخزين المؤقت والحوسبة خارج النواة.

يوفر XGBoost التوازي في بناء الشجرة من خلال استخدام نوى وحدة المعالجة المركزية أثناء التدريب. كما تقوم أيضًا بتوزيع الحوسبة عند تدريب نماذج كبيرة باستخدام مجموعات الآلة. تُستخدم الحوسبة خارج النواة لمجموعات البيانات الأكبر التي لا تتناسب مع حجم الذاكرة التقليدية. يتم استخدام تحسين ذاكرة التخزين المؤقت أيضًا للخوارزميات وهياكل البيانات لتحسين استخدام الأجهزة المتاحة.

إيجابيات وسلبيات التعزيز

كنموذج تجميعي ، يأتي التعزيز مع خوارزمية سهلة القراءة والتفسير ، مما يجعل من السهل التعامل مع تفسيرات التنبؤ. القدرة على التنبؤ فعالة من خلال استخدام أساليب الاستنساخ الخاصة بها ، مثل التعبئة والتغليف (تجميع Bootstrap) يمكن تصنيف التعلم الآلي بشكل أساسي إلى التعبئة والتعزيز. يُعد أسلوب التعبئة مفيدًا لكل من أشجار الانحدار والتفرعات الإحصائية أو العشوائية وشجرة القرار. التعزيز هو طريقة مرنة تمنع الإفراط في التركيب بسهولة.

أحد عيوب التعزيز هو أنه حساس للقيم المتطرفة لأن كل مصنف ملزم بإصلاح الأخطاء في سابقاتها. وبالتالي ، فإن الطريقة تعتمد بشكل كبير على القيم المتطرفة. عيب آخر هو أن الطريقة يكاد يكون من المستحيل توسيع نطاقها. وذلك لأن كل مقدر يبني صحته على المتنبئات السابقة ، مما يجعل من الصعب تبسيط الإجراء.

ما هي أشجار الخيار؟

أشجار الخيارات هي بدائل أشجار القرار. إنها تمثل المصنفات الجماعية أثناء اشتقاق بنية واحدة. يتمثل الاختلاف بين أشجار الخيارات وأشجار القرار في أن الأولى تتضمن كلاً من عقد الخيارات وعقد القرار ، بينما تشتمل الأخيرة على عقد القرار فقط.

يتطلب تصنيف مثيل تصفيته عبر الشجرة. مطلوب عقدة قرار لاختيار أحد الفروع ، في حين أن عقدة الخيار مطلوبة لأخذ مجموعة الفروع بأكملها. هذا يعني أنه مع عقدة الخيار ، ينتهي المرء بأوراق متعددة تتطلب دمجها في تصنيف واحد لينتهي الأمر بالتنبؤ. لذلك ، فإن التصويت مطلوب في العملية ، حيث يعني تصويت الأغلبية أنه تم اختيار العقدة كتوقع لتلك العملية.

توضح العملية المذكورة أعلاه أن عقد الخيار لا ينبغي أن تأتي بخيارين لأنهم سينتهي بهم الأمر بخسارة التصويت إذا لم يتمكنوا من العثور على فائز محدد. الاحتمال الآخر هو أخذ متوسط ​​تقديرات الاحتمالية من مسارات مختلفة باتباع الأساليب مثل نهج بايزي أو طريقة المتوسطات غير المرجحة.

يمكن أيضًا تطوير أشجار الخيارات من خلال تعديل متعلمي شجرة القرار الحاليين أو إنشاء عقدة خيار حيث يتم ربط العديد من الانقسامات. يمكن تحويل كل شجرة قرار ضمن مستوى التفاوت المسموح به إلى أشجار خيارات.

المزيد من الموارد

Finance هو المزود الرسمي لشهادة محلل الائتمان والمصرفية المعتمد (CBCA) ™ CBCA اعتماد محلل الائتمان والائتمان المعتمد (CBCA) ™ هو معيار عالمي لمحللي الائتمان الذي يغطي التمويل والمحاسبة وتحليل الائتمان وتحليل التدفق النقدي ، نمذجة العهد ، وسداد القروض ، والمزيد. برنامج شهادة ، مصمم لتحويل أي شخص إلى محلل مالي على مستوى عالمي.

لمواصلة التعلم وتطوير معرفتك بالتحليل المالي ، نوصي بشدة بالموارد المالية الإضافية أدناه:

  • Fintech (التكنولوجيا المالية) Fintech (التكنولوجيا المالية) يشير مصطلح fintech إلى التآزر بين التمويل والتكنولوجيا ، والذي يستخدم لتعزيز العمليات التجارية وتقديم الخدمات المالية
  • التمويل الكمي التمويل الكمي التمويل الكمي هو استخدام النماذج الرياضية ومجموعات البيانات الكبيرة للغاية لتحليل الأسواق المالية والأوراق المالية. تشمل الأمثلة الشائعة (1) تسعير الأوراق المالية المشتقة مثل الخيارات ، و (2) إدارة المخاطر ، خاصة فيما يتعلق بإدارة المحفظة.
  • انتحال انتحال الانتحال هو ممارسة تداول خوارزمية تخريبية تتضمن تقديم العطاءات للشراء أو عروض بيع العقود الآجلة وإلغاء العطاءات أو العروض قبل تنفيذ الصفقة. تهدف الممارسة إلى خلق صورة خاطئة عن الطلب أو التشاؤم الزائف في السوق.
  • دليل راتب مهندس البرمجيات دليل راتب مهندس البرمجيات في دليل راتب مهندس البرمجيات هذا ، نغطي العديد من وظائف مهندس البرمجيات ورواتبهم المتوسطة المقابلة لعام 2018. مهندس البرمجيات هو محترف يطبق مبادئ هندسة البرمجيات في عمليات التصميم والتطوير والصيانة ، اختبار وتقييم البرامج المستخدمة في الكمبيوتر