Существует множество алгоритмов машинного обучения. И часть из них может быть использована для разработки торговых ботов. В этой статье мы кратко познакомим вас с ними и дадим простую классификацию некоторых типов. Не стесняйтесь обращаться к нам, если вы хотите узнать больше об этой теме.
Рассмотрим два способа классификации алгоритмов:
– группировка алгоритмов по стилю обучения
– алгоритмы группировки по сходству функций
Алгоритмы, сгруппированные по стилю обучения
1. Алгоритмы обучения под наблюдением
Входной информацией являются размеченные данные для обучения: спам/не спам, курс акций и т.д. В модели используется процесс обучения, при котором прогнозы делаются и корректируются, если в них есть ошибки. Процесс обучения продолжается до тех пор, пока модель не достигнет желаемого уровня точности. Примерами таких алгоритмов являются: логическая регрессия, нейронная сеть с обратным распределением ошибок.
2. Алгоритмы обучения без учителя
Входная информация представляет собой немаркированные данные. При этом методе машинного обучения тестируемая система самопроизвольно учится выполнять поставленную задачу без вмешательства экспериментатора. С точки зрения кибернетики это один из видов кибернетического эксперимента. Обычно он работает в основном для задач, где известны описания многих объектов (обучающая выборка), и алгоритму необходимо найти внутренние связи, зависимости и закономерности между объектами. Примеры таких алгоритмов: алгоритм поиска ассоциативных правил и алгоритм k-средних.
3. Алгоритмы обучения с полуучителем
Входная информация представляет собой смесь маркированных и немаркированных данных. Многие исследователи машинного обучения обнаружили, что немаркированная информация, смешанная с небольшим количеством размеченных данных, может значительно повысить точность обучения. Маркировка данных для учебной задачи часто требует квалифицированного специалиста (например, для расшифровки аудиофайла) или физического эксперимента (например, для определения трехмерной структуры белка или обнаружения масла в определенной области). Таким образом, затраты на маркировку данных могут сделать процесс обучения только на таких данных невозможным. При этом процесс установки немаркированных данных не слишком затратен. В таких ситуациях обучение с полуучителем может иметь большой практический смысл. Такое обучение также представляет интерес в области машинного обучения как модели человеческого обучения. Алгоритмы обучения с учителем или без учителя используются в основном для моделирования бизнес-решений. Алгоритмы обучения с полуучителем наиболее актуальны в областях классификации изображений, где имеются большие наборы данных с небольшим количеством отмеченных примеров.
Алгоритмы, сгруппированные по сходству функций
Алгоритмы часто группируются по сходству функций. Например, древовидные структуры и методы нейронных сетей. Это самый популярный метод группировки алгоритмов, и мы подробно напишем о нем.
1. Алгоритмы регрессии
Регрессия используется для моделирования взаимосвязи между переменными, которая итеративно задается степенью ошибки в прогнозах, сделанных моделью.
Наиболее популярные алгоритмы регрессии:
– ОЛСР
– линейная регрессия
–логистическая регрессия
– пошаговый регресс
– МАРС
– ЛЕСС
2. Алгоритмы на основе экземпляров
Тип обучения, при котором интеллектуальная система снабжается набором положительных и отрицательных примеров, связанных какой-либо ранее неизвестной закономерностью. В интеллектуальных системах формируются решающие правила, которые приводят к разделению множества примеров на положительные и отрицательные. Качество разделения обычно проверяется путем выборки примеров. Такие методы обычно создают базу данных примеров и сравнивают новые данные со старыми, используя инструменты относительности, чтобы найти наилучшее соответствие и сделать прогноз.
Наиболее популярные алгоритмы на основе экземпляров:
-алгоритм k-ближайших соседей
- векторное квантование
- самоорганизующаяся карта
– обучение с учетом местных условий
3. Алгоритмы регуляризации
Регуляризация — это способ снизить сложность модели, чтобы предотвратить чрезмерное обучение или исправить неправильно поставленную задачу. Обычно это достигается добавлением в условие задачи некоторой трансцендентной информации.
Наиболее популярные алгоритмы регуляризации:
– гребневая регрессия
– метод ЛАССО
– эластичная сеть
– наименьшая угловая регрессия
4. Алгоритмы дерева решений
Древовидная структура состоит из «листьев» и «ветвей». На ветвях дерева решений написаны признаки, от которых зависит целевая функция. В листьях записываются значения целевой функции, а в остальных узлах — признаки, по которым различаются случаи. Чтобы классифицировать новый случай, нужно спуститься по дереву до листа и выдать соответствующее значение. Цель состоит в создании модели, которая предсказывает значение целевой переменной на основе нескольких входных переменных.
Самые популярные алгоритмы:
– деревья классификации и регрессии
– интерактивный дихотомайзер
– обнаружение автоматизированного взаимодействия по методу хи-квадрат
5. Байесовские алгоритмы
Байесовские методы — это те, которые явно используют теорему Байеса для таких задач, как классификация и регрессия.
Самые популярные алгоритмы:
– наивный алгоритм Байеса
– Байесовская сеть
6. Алгоритмы кластеризации
Задача кластеризации состоит в том, чтобы разбить большое количество объектов данных на подгруппы таким образом, чтобы элементы одной подгруппы четко отличались по определенному набору качеств от элементов всех остальных подгрупп.
Самые популярные алгоритмы:
– метод k-средних
– метод k-медиан
– алгоритм советника
– иерархическая кластеризация
7. Алгоритмы искусственной нейронной сети
Математическая модель, основанная на принципе организации и функционирования биологических нейронных сетей, сетей нейронных клеток живых организмов. Этот термин появился при изучении процессов, происходящих в мозгу, а точнее после попытки моделирования таких процессов.
Самые популярные алгоритмы:
– алгоритм обучения однослойного персептрона
– метод обратного распределения ошибок
– нейронная сеть Хопфилда
– сеть функций радиального базиса
8. Алгоритмы глубокого обучения
Комбинация методов машинного обучения (с учителем, полуучителем, без учителя), основанная на презентационном обучении, а не на обучении специализированных алгоритмов, разработанных для конкретных задач. Первые связаны с построением гораздо более крупной и сложной нейронной сети.
Самые популярные алгоритмы:
– Глубинная машина Больцмана
– сеть глубокого убеждения
– сверточная нейронная сеть
9. Алгоритмы ансамбля
В основе всех подобных систем лежит идея обучения нескольких (базовых) классификаторов одной и той же обучающей выборке и дальнейшего комбинирования их
прогнозы для новых тестовых объектов.
Самые популярные алгоритмы:
– повышение
– начальная загрузка
– умоляю
– Случайный лес.
Другие статьи об алгоритмическом трейдинге последуют позже. Быть в курсе!
Социальные сети HyperQuant
