Video: Phân tích kỹ thuật P2 | 10 mẫu nến cơ bản thường dùng để dự đoán giá tăng giảm trong Trade Coin 2025
Một khi bạn đã có tất cả các công cụ và dữ liệu cần thiết để bắt đầu tạo ra một mô hình tiên đoán, niềm vui bắt đầu. Nói chung, tạo ra một mô hình học tập cho các nhiệm vụ phân loại sẽ kéo theo các bước sau:
-
Nạp dữ liệu.
-
Chọn một phân loại.
-
Đào tạo mô hình.
-
Hình dung mô hình.
-
Kiểm tra mô hình.
-
Đánh giá mô hình.
Cả mô hình hồi quy logistic và mô hình máy hỗ trợ (SVM) đều thực hiện khá tốt bằng cách sử dụng bộ dữ liệu Iris.
| Chiều dài khoảng | Chiều rộng cánh cửa | Chiều dài cánh | Độ rộng cánh hoa | Loại / Nhãn mục tiêu |
|---|---|---|---|---|
| 5. 1 | 3. 5 1. 4 | 0. 2 | Setosa (0) | 7. 0 |
| 3. 2 | 4. 7 1. 4 | Màu xám (1) | 6. 3 | 3. 3 |
| 6. 0 | 2. 5 | Virginica (2) | Thật thú vị, mô hình hồi quy logistic với C = 150 có bề ngoài quyết định tốt hơn so với C = 1 nhưng nó không hoạt động tốt hơn. Đó không phải là một vấn đề lớn, xem xét rằng bộ thử nghiệm là quá nhỏ. Nếu chọn ngẫu nhiên khác giữa tập huấn luyện và tập kiểm tra, kết quả có thể dễ dàng khác nhau. |
Điều này cho thấy một nguồn phức tạp khác làm lu mờ việc đánh giá mô hình: tác động của việc lấy mẫu, và cách lựa chọn bộ tập huấn và thử nghiệm có thể ảnh hưởng đến kết quả của mô hình. Kỹ thuật xác nhận chéo có thể giúp giảm thiểu tác động của việc lấy mẫu ngẫu nhiên vào hiệu suất của mô hình.
Đối với một số liệu lớn hơn với dữ liệu phi tuyến tính, bạn có thể mong đợi kết quả sẽ đi chệch hướng hơn. Ngoài ra, việc lựa chọn mô hình thích hợp trở nên ngày càng khó khăn do sự phức tạp và kích thước của dữ liệu. Hãy chuẩn bị để dành rất nhiều thời gian để điều chỉnh các thông số của bạn để có được sự phù hợp lý tưởng.
Khi tạo các mô hình dự đoán, hãy thử một vài thuật toán và tinh chỉnh các thông số của chúng cho đến khi bạn tìm thấy những gì tốt nhất cho dữ liệu của bạn. Sau đó so sánh kết quả đầu ra của họ với nhau.
