Тестирование модели на машинном обучении. Часть четвертая.

Я мало видосов пока из этой серии посмотрел. Мои текущие мысли: модели любят «качественные» входящие признаки, если тупо подавать приращения — там заведомо в атомарных признаках очень мало изюма. Изюм во взаимодействии. Может конечно, мощные нейронные сети могут такое схавать и что-то выдать интересное, но более простые модели, думаю, ничего там особо не найдут. Думаю, надо понижать энтропию, подавая на вход более «качественные» признаки.

Ну т.е. если ты, допустим, подашь на вход выявленные тобой паттерны (0/1) — и как щас приращения — если паттерн качественный, любая модель быстро просечет что паттерн крутой, признак крутой и быстренько весами все обыграет. Но это другая крайность. Можно играть внутри. Подавать свечные комбинации, допустим. Допустим, из 3-х свечей. Или из двух. Тут уже считай мы из приращений и их направлений слепили какие-то паттерны — дальше пусть система с ними работает. Смещая ряды, можно выстраивать последовательности паттернов. Тут уже модели могут находить соль — работают ли какие-то отдельные такие паттерны сами по себе, или в последовательности, может быть и т.д.

Свечные паттерны можно собирать автоматически, думаю. Перебираешь все комбинации которые направлений приращений и цветов свечей в 3-свечных формациях — вот тебе и набор дамми-параметров.