<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>bootstraping &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/bootstraping/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Mon, 15 Dec 2025 17:42:28 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>bootstraping &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Продвинутые статистические тесты в Python: причинность, бустрэп и непараметрические методы</title>
		<link>https://mlgu.ru/6847/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 15 Dec 2025 17:19:51 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6847</guid>

					<description><![CDATA[Стандартные статистические тесты опираются на строгие допущения. Они предполагают нормальное распределение данных, независимость наблюдений и линейные связи между переменными. Финансовые данные этим требованиям обычно не соответствуют. Доходности активов имеют тяжелые хвосты распределений. Волатильность склонна группироваться во времени. Связи между финансовыми инструментами часто нелинейны и тоже меняются со временем. Продвинутые статистические методы решают задачи, с которыми [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Случайный лес (Random Forest): механика алгоритма, Бутстрэп-агрегирование, out-of-bag оценка</title>
		<link>https://mlgu.ru/6622/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 26 Nov 2025 19:41:47 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6622</guid>

					<description><![CDATA[Random Forest или Случайный лес — это ансамблевый алгоритм машинного обучения, объединяющий множество деревьев решений для повышения точности и устойчивости предсказаний. Алгоритм был предложен Лео Брейманом в 2001 году и с тех пор стал одним из наиболее используемых методов в задачах классификации и регрессии. Основное преимущество Random Forest — способность снижать дисперсию модели без существенного [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Матожидание в статистике и трейдинге</title>
		<link>https://mlgu.ru/6108/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 09 Nov 2025 07:52:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6108</guid>

					<description><![CDATA[Математическое ожидание определяет среднее значение случайной величины при бесконечном количестве наблюдений. В трейдинге этот показатель отвечает на вопрос: какую прибыль или убыток принесет стратегия в долгосрочной перспективе. Стратегия с положительным матожиданием доходности генерирует прибыль при достаточном количестве сделок, стратегия с отрицательным — приводит к убыткам независимо от краткосрочных результатов. Понимание матожидания позволяет отделить случайную удачу [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование вероятности дефолта через логистическую регрессию</title>
		<link>https://mlgu.ru/4829/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 28 Sep 2025 20:50:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4829</guid>

					<description><![CDATA[Прогнозирование вероятности дефолта — одна из ключевых задач в управлении кредитными рисками, которая помогает банкам, инвестиционным компаниям и бизнесу принимать более взвешенные решения. Существует множество инструментов для таких прогнозов, хотя логистическая регрессия &#8212; пожалуй, наиболее популярный. Она позволяет на основе набора факторов (например, дохода клиента, кредитной истории, уровня долговой нагрузки) оценить вероятность того, что заемщик [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет доверительных интервалов и уровня значимости с Python</title>
		<link>https://mlgu.ru/1016/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 04:57:37 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1016</guid>

					<description><![CDATA[Работая над множеством проектов в области машинного обучения и анализа данных, я постоянно сталкиваюсь с необходимостью не просто получить какие-то метрики или показатели, но и оценить, насколько мы можем им доверять. Представьте ситуацию: вы разработали новую модель машинного обучения, которая показывает accuracy 85%. Звучит неплохо, верно? Но что если этот результат получен на небольшой выборке [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
