有什麼方案可以每天遞迴的預測取得真實準確度? - Cupoy

2021/11/21 下午 01:49

機器學習共學討論版

Ma Chao Ting

觀看數：22

回答數：2

收藏數：0

回答列表

• 2021/11/22 下午 01:57
  Wells Lu
  贊同數：0
  不贊同數：0
  留言數：0

  所謂在訓練過程中我們把資料區分成training跟testing data是只用training data建模型，然而testing data對模型來說是沒看過的、新的資料，就假設我用2010\~2020年的資料建出一個選股模型，那對於這個模型來講他只看過2020以前的數據，2021年的每一天數據對他來講都是新的每一筆，就像是在2020前的我們一樣沒看過2021年的數據，所以這時再用我們建好的模型去對2021的每一個新的一天做預測，再看此模型跟真實的結果的準確度，若準確度佳我們才會以此類推認為對於我們沒看過的2022年後的資料有好的準確度。 至於時間性的問題也是在建立模型時要設計的，譬如經過你的研究過後以一年為區段當input有最佳的結果，那麼2020/01/01\~2020/12/31就是預測2021/01/01然後2020/01/02~2021/01/01就是預測2021/01/02，後面以此類推。 如果上述是我誤會你想問的意思，你是想預測你預測的準確度的話，那我覺得你把預測集資料的準確度做信賴程度的統計應該就好了。

• 2021/11/28 上午 11:27
  Ma Chao Ting
  贊同數：0
  不贊同數：0
  留言數：0

  使我目前用sklearn的train_test_split進行訓練集和測試集數據劃分後，數據的順序被打亂，不再按照日期排序 這時候預測的準確度高達80% 於是就對數據按照日期順序劃分訓練集和測試集，比如2015年之前的作為訓練集，之後的作為測試集。重新訓練後，預測準確度下降到了50% 但是我如果每天訓練一個模型預測一次 持續一個月 又可以達到60~70% 想請教像這樣的指數的資料 為什麼會有這個現象? 如果每天訓練一個模型預測一次 這樣的做法非常消耗資源，主要是想請問有沒有更好的做法?