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.

Přinášíme detailní výsledky, včetně grafů  a srovnání s benchmarkem, v našem případě Indexem S&P 500.

Jedním z potřebných kroků, kterým jsme se v rámci preprocessingu dat posledních týdnech věnovali bylo zabránění přeučení modelu, tedy učili jsme model generalizovat.

SFA software, který prostřednictvím NLP analyzuje finanční články nově zobrazuje statistiku sentimentu.