機器學習
處理機器學習模型的隨機結果
我正在建立選股模型，並挑選前 5 名和後 5 名的股票。鑑於隨機梯度體面結果的可變性，它們不斷變化。獲得一致結果的一種方法是使用隨機種子，但我正在尋找是否有更好的方法來處理這個問題。此外，您將如何解釋結果，即一組前 5 名與另一組前 5 名（其中 3-4 名相同，但排名可能不同）。我正在執行足夠的迭代以知道這不是關於收斂的問題。
您是否嘗試過選擇任意數量的模型，比如 20 個，每個模型都有自己的種子？然後你執行你的 20 個模型並使用 20 個結果的中值作為信號。該方法的一個優點是，由於 20 個結果的標準差，您還可以獲得預測的可信度估計。
隨機解是隨機方法不可避免的特性，尤其是優化方法。例如，參見《計量經濟學啟發式優化方法評論》中的第 3 節。一般來說，你無法擺脫隨機性。您需要通過查看和分析分佈（例如投資組合）而不是單個數字來分析它。例如，參見《另類投資組合選擇標準的實證分析》（我是其中的合著者）。
收斂意味著（充其量）算法已經停止在局部最優。如果您有多個最優值，則算法可能會在不同的最優值處停止。您是否比較了重複執行的目標函式值？即使它們相同：這意味著算法，或者更具體地說，您的選擇標準（=目標函式）無法區分不同的解決方案。您能否修改模型，例如添加更多約束？