शेअर बाजाराचे भाकीत

प्रिय संपादक

कृपया आकृती दिसण्यासाठी मदत करावी

वरील लेखातील आलेखासाठी पुढील लिंक वर क्लिक करावे

https://rpubs.com/yuyutsu/1269840

पुढच्या आठवड्यात इन्कम टॅक्स बिल मांडले जाणार आहे. त्याचा बाजारावर नकारात्मक परिणाम होऊ शकतो. लेट्स वेट ॲण्ड वॉच...

माझा मॉडेलच्या ओव्हर फिटिंग बद्दल कोणाची काही तक्रार असेल तर अगोदरच खुलासा करून ठेवतो.

Overfitting is generally considered undesirable in machine learning because it means the model has learned the training data too well, capturing noise and details that do not generalize to new, unseen data. However, there are specific scenarios where overfitting might not be a bad choice:

1. **When the Training Data is Perfectly Representative**: If the training data is an exact and complete representation of the real-world data the model will encounter, overfitting might not be a problem. In this case, the model's ability to capture every detail of the training data could actually be beneficial.

2. **In Deterministic Environments**: In some cases, the environment or the data-generating process is deterministic. For example, in some physical systems or well-defined mathematical functions, overfitting might not be harmful because there is no noise or variability in the data.

3. **When Interpretability is Not a Concern**: If the primary goal is to achieve the highest possible accuracy on the training data and interpretability or generalization is not a concern, overfitting might be acceptable. This could be the case in some competitions or specific research scenarios where the focus is solely on performance metrics.

4. **In Certain Types of Ensembles**: In ensemble methods, sometimes overfitting individual models can be beneficial if the ensemble as a whole generalizes well. For example, in boosting algorithms, individual weak learners might overfit to some extent, but the combined model can still perform well on unseen data.

5. **When Data is Abundant and Static**: If you have an extremely large dataset that is static and unlikely to change, overfitting might not be as problematic because the model's performance on the training data is likely to be very close to its performance on any future data.

6. **In Specific Applications Like Memorization Tasks**: In some applications, such as creating a model that needs to memorize specific patterns or data points (e.g., certain types of lookup tables or caches), overfitting is actually the goal.

7. **When the Cost of Overfitting is Low**: In some scenarios, the cost of overfitting (e.g., slightly reduced performance on unseen data) might be negligible compared to the benefits (e.g., significantly improved performance on the training data). This might be the case in applications where the training data is very similar to the test data, and the cost of errors is low.

However, it's important to note that these scenarios are exceptions rather than the rule. In most practical applications, overfitting is something to be avoided, and techniques like cross-validation, regularization, and early stopping are used to prevent it.

प्रतिसादाबद्दल आभार! आणि इमेज दिसण्यासाठी केलेल्या सूचनेसाठी पण आभार

आणखी थोडी गंमत : अचूकता आणण्यासाठी

वर वर्तवलेले भाकीत हे एका मॉडेलचे आहे. पण हे गंडू शकते. मग भाकीत अधिक विश्वासार्ह कसे होईल?

त्यासाठी मी अशी १० मॉडेल्स चालू आठवड्यासाठी तयार केली आणि त्यांचा कल (स्क्युनेस) तपासला. एकंदर १० पैकी ७ मॉडेल्स या आठवड्यात बाजाराची घसरगुंडी दाखवतात.

५० % कॅश इन्व्हेस्ट केलीये या लेव्हलला ..

२१३५० जवळ उरलेली सगळी करून टाकावी म्हणतोय ...

हरकत नाही, पण स्वतःच्या जबाबदारीवर!

तुमची ती स्ट्रॅटेजी काय सांगते?

ओव्हरफिटींगला काही अपवाद आहेत, त्याबद्दल कुणी बोलत नाही. जनरलायझेशन जेव्हा आवश्यक नसते तेव्हा, नजिकच्या भविष्याकाळासाठी म्ह० शॉर्ट टर्म प्रेडीकशन, एकदाच वापर केला जाणारे मॉडेल, तसेच कॉस्ट ऑफ ट्रेनिंग हा मुद्दा फार मह्त्त्वाचा नसेल तर... लोक आंधळेपणाने "ओव्हरफिटींग-ओव्हरफिटींग" म्हणून गळा काढतात.

आज निफ्टीची घसरगुंडी थोडी थांबेल किंवा थोडीरिकव्हरीची शक्यता वाटते - तांबडा किंवा हिरवा 'दोजी'

त्याला शेवटी गटारात ((२१५०० - २१२५०) एकदा पडायचाच असतं ...

हा हा हा ...तुम्ही फारच विनोदी!

मागे मीच केलेल्या अभ्यासात असं लक्षात आलं की अस्वले बैलांपेक्षा जास्त पैसा कमावतात. तो लेख आता शोधावा लागेल.

निफ्टीने माझ्या भाकीताचा सध्या तरी आदर केला आहे. लंडन मार्केट उघडल्यावर काय होईल माहित नाही.

मंडळी

आजसाठी वर्तवलेल्या भाकीताप्रमाणे घसगुंडी आज थांबली दोजी नाही पण दोजीचा भाऊ डॅगर तयार झालेला आहे. "युयुत्सु-नेट" रॉक्स!

आज सकाळी बाजार उघडण्यापूर्वी बाजाराचा कल काय असेल म्हणून युयुत्सु-नेट्वर तपासले तेव्हा पुढील शक्यता दिसली. कालची रिकव्हरी बघून आज तोंडावर आपटायला नको म्हणुन आज भाकीत पोस्ट केले नाही. पण आता तोंडात बोटं घालण्याशिवाय पर्याय नाही.