学习笔记(01):Adaboost等在因子权重方面的研究探索-Adaboost等在因子权重方面的研究探索（上）...

最新推荐文章于 2024-09-24 10:17:17 发布
最新推荐文章于 2024-09-24 10:17:17 发布
阅读量107 收藏
点赞数
分类专栏： 研发管理 文章标签： 机器学习 算法 投资 应用 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangzirivernj/article/details/104279269
版权

立即学习:https://edu.csdn.net/course/play/2801/44750?utm_source=blogtoedu

 

 对冲基金常用量化策略

 

收敛性套利

市场中性Alpha

事件驱动 

线性套利

多空策略

CTA

 

大的因子 分类

基本面：  市净率  市盈率  企业估值倍数  企业负债率

技术：  动量趋势  价格反转  流动性 波动率

其他风格： 规模  成长  分析师  等等

yangzirivernj
关注
专栏目录
Adaboost等在因子权重方面的研究探索-CSDN公开课-专题视频课程
csdngkk的博客
08-02 114
简单介绍机器学习算法在量化投资领域的一些应用。
获取AdaBoost模型的重要特征
qq_27802435的博客
11-06 4367
获取AdaBoost模型的重要特征 模型训练之后，想要得到比较重要的特征，可以通过python的sklearn包来实现。 python实现代码如下所示：  AdaBoostClassifier.py # -*- coding: utf-8 -*- import IOUtil as iou import numpy as np import pandas as pd from skle...
adaboost原理（包含权重详细解释）
葫芦与瓢的博客
06-20 5420
 1.1 Adaboost是什么 AdaBoost，是英文"Adaptive Boosting"（自适应增强）的缩写，由Yoav Freund和Robert Schapire在1995年提出。它的自适应在于：前一个基本分类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率或达到预先指定的最大迭代次数
机器学习实战笔记：AdaBoost
cv_pyer的博客
04-25 560
AdaBoost概述 AdaBoost是典型的Boosting算法，属于Boosting家族的一员。在说AdaBoost之前，先说说Boosting提升算法。 Boosting算法基于这样一种思想：如果有一个复杂的问题，如果将多个专家的判断进行适当的综合可能要比某一个单独的专家独自判断的结果要好，实际上就是“三个臭皮匠顶个诸葛亮”的道理。 将这个思想应用于机器学习领域，如果有一个问题，存...
Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost
Jack-Cui
10-12 2万+
前面的文章已经介绍了五种不同的分类器，它们各有优缺点。我们可以很自然地将不同的分类器组合起来，而这种组合结果则被成为集成方法(ensemble method)或者元算法(meta-algorithm)。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是同一种算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。
机器学习笔记-Adaboost
weixin_54814385的博客
01-23 282
Adaboost笔记
学习笔记——Adaboost
weixin_44467105的博客
12-24 657
1. 提升方法的基本思路 1.Kearns 和 Valiant首先提出了“强可学习” 和 “弱可学习”的概念。指出：在概率近似正确学习的框架中，一个概念（一个类），如果存在一个多项式的学习算法能够学习它，并且正确的概率很高，那么就称这个概念是强可学习的；一个概念，如果存在一个多项式的学习算法能够学习它，学习的正确率仅比随机猜测略好，那么就称这个概念是弱可学习的。后来Schapire证明一个概念强可学习的充分必要条件是这个概念是弱可学习的。 2.这样一来，问题便成为，在学习中，发现“弱可学习算法”，能否将它提
机器学习笔记15-AdaBoost算法
intricate_的博客
04-29 385
AdaBoost算法 提升方法是基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。通俗点说，就是"三个臭皮匠顶个诸葛亮"。对于分类问题而言，给定一个训练数据，求一个比较粗糙的分类器（即弱分类器）要比求一个精确的分类器（即强分类器）容易得多。提升方法就是从弱学习算法出发，反复学习，得到一系列弱分类器，然后组合这些弱分类器，构成一个...
基于 Java 机器学习自学笔记 （第63-65天：集成学习之AdaBoost）
ALBlack的博客
05-13 902
注意：本篇为50天后的Java自学笔记扩充，内容不再是基础数据结构内容而是机器学习中的各种经典算法。这部分博客更侧重于笔记以方便自己的理解，自我知识的输出明显减少，若有错误欢迎指正！
[机器学习]AdaBoost学习笔记（一）：原理
玄学实验室
10-01 869
前言 八月和九月参加了阿里天池的安全算法挑战赛，用了很多的集成模型，GBDT、XGBoost等等。对于刚入门的我来说，在比赛中纯粹把这些模型当成API函数，并没有了解太多的原理。现在比赛结束了（成绩不理想），想整理一些关于和树有关的经典机器学习模型来趁热打铁，所以就从AdaBoost开始整理了。 这里是LeeTioN的博客 背景知识 集成学习 在谈及AdaBoost之前，我们来看...
adaboost算法_手写adaboost的分类算法—SAMME算法
weixin_39860732的博客
11-22 888
看了一下，adaboost之前也有不少人实现的思路，但是各有不同，为了方便起见，这里重点还是阐述一下sklearn中的adaboost的实现算法。来自sklearn的官方文档的谷歌翻译。首先来看下adaboost的分类：两者的主要区别是弱学习器权重的度量，SAMME使用了和我们的原理篇里二元分类Adaboost算法的扩展，即用对样本集分类效果作为弱学习器权重，而SAMME.R使用了对样本集分类的预...
机器学习之Adaboost笔记
qq_40212975的博客
01-06 241
一、Adaboost的特性 Adaboost对每一个样本分配权重，对每一轮的弱分类器也分配一个权重。 Adaboost通过分类误差率来更新下一轮的样本权重，即提高被误分类的样本权重，并降低被正确分类的样本权重，使得没有被正确分类的样本在后一轮训练时获得更多的关注。 对基分类器分配权重，加大误差率较小的弱分类器权重，使其在表决中起较大的作用。 二、Adaboost算法 输入：训练数据集T = {(x1, y1), (x2, y2), (x3,y3),…(xn，yn)},其中xi ∈ X ⊆ Rn,
机器学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 13万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
提升方法AdaBoost算法学习笔记
hczheng的专栏
09-03 8503
提升方法AdaBoost算法学习笔记 For xgboost：为了好好学习xgboost，由于算法基础比较薄弱，曲线救国，从提升方法、提升树、GBDT一步步看起。手头有李航老师的《统计学习方法》以及周志华老师的西瓜书。对比来看，感觉李航老师的相对要好理解一些（步骤比较清晰，公式易懂，当然也有许多的不明白），周老师的西瓜书的算法介绍与公式推导更为直接（周老师喜欢用一些概率分布函数，公式抽象）
详解机器学习经典模型(原理及应用)——逻辑回归
学习与分享人工智能技术
09-18 1616
本文详细介绍了逻辑回归的定义，原理以及计算公式，并给出了逻辑回归应用于二分类和多标签分类的示例代码，可以用于面试八股或业务开发参考。
机器学习-监督学习：朴素贝叶斯分类器
Chujun123528的博客
09-19 743
在机器学习的广阔领域中，监督学习占据着核心地位，它通过已知的数据集（包括输入和输出）来训练模型，以期对新的、未见过的数据做出准确的预测。朴素贝叶斯分类器，作为监督学习中的一种经典算法，凭借其简洁的理论基础和高效的计算能力，在文本分类、情感分析、垃圾邮件识别等多个领域展现出了强大的应用价值。朴素贝叶斯分类器作为一种简单而强大的监督学习算法，在多个领域展现出了广泛的应用前景。随着机器学习技术的不断发展，朴素贝叶斯分类器也在不断地改进和完善，以适应更加复杂和多样化的应用场景。
python划分CSV格式的数据集
最新发布
qq_27390023的博客
09-24 273
编写一个 Python 函数，将文件（）划分为trainvalid, 和test数据集。通常，我们可以根据一定的比例（比如 70% 用于train，15% 用于valid，15% 用于test）进行划分。以下是一个将。
机器学习和深度学习的区别
数字人生
09-21 1524
机器学习：是人工智能的一个分支领域，它通过计算机系统的学习和自动化推理，使计算机能够从数据中获取知识和经验，并利用这些知识和经验进行模式识别、预测和决策。机器学习起源于20世纪50年代的简单算法，如决策树和逻辑回归。深度学习：则是机器学习中的一个子领域，使用深度神经网络模型进行学习和预测。深度学习在21世纪初开始兴起，特别是随着计算能力的提高和大数据的普及。机器学习和深度学习在定义、模型复杂度、数据需求、计算资源需求、应用范围与场景以及学习方式与特点等方面存在显著的差异。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值