Dobrý model strojového učení potřebuje bohaté a rozsáhlé datové sady.

Při výpočtu výsledků a přípravě seznamu podhodnocených a nadhodnocených akcií v naší aplikaci StockPicking Lab používáme pro každé aktivum, akcii a ticker 2237 funkcí.

Nasadili jsme novou verzi našeho software SFA (Summary of Financial Articles).

Křivky učení zobrazují změny ve výkonnosti učení v průběhu času.

Zabývali jsme se výběrem proměnných vstupujících do modelu. Když je proměnných moc, model má horší schopnost generalizovat a je náchylnější k chybám.

Implementovali jsme metodu úpravy dat Feature Binning and Quantile Transformation. Naše ML modely díky uprgadované přípravě dat nyní dosahují lepších výsledků.