<?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>методы оценки &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/metody-oczenki/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:49:05 +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>методы оценки &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Важность признаков полученных из ML-моделей (Feature Importance)</title>
		<link>https://mlgu.ru/5322/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 14 Oct 2025 09:40:11 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5322</guid>

					<description><![CDATA[Важность признаков (Feature Importance) &#8212; инструмент для понимания того, какие переменные вносят наибольший вклад в предсказания модели. Методы оценки важности признаков решают несколько практических задач: отбор релевантных предикторов, детекцию утечек данных, снижение размерности для ускорения инференса. Выбор метода зависит от типа модели, структуры данных и требований к интерпретируемости. Разные подходы к оценке важности дают разные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как анализировать финансовые коэффициенты для выбора перспективных активов?</title>
		<link>https://mlgu.ru/4674/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 15:35:13 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4674</guid>

					<description><![CDATA[Даже у опытных инвесторов нередко возникает проблема: портфель вроде бы собран, стратегии протестированы, однако результаты остаются скромными. И зачастую причина кроется в том, что выбор активов строится на вере в то, что &#171;взлетит&#187;, одном-двух сильных показателях в отчетности, но не на системной оценке бизнеса. Чтобы этого не произошло, я рекомендую проводить анализ финансовых коэффициентов системно [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет метрик прибыльности биржевых стратегий с помощью Python</title>
		<link>https://mlgu.ru/3436/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 15 Jul 2025 21:22:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3436</guid>

					<description><![CDATA[В этой статье я предлагаю рассмотреть профессиональный подход к расчету прибыльности торговых стратегий с помощью Python. Правильная оценка эффективности стратегий является краеугольным камнем успешного алгоритмического трейдинга. Но не все знают как это готовить. Большинство начинающих трейдеров ограничиваются расчетом общей доходности и процента прибыльных сделок, однако такой подход игнорирует временную структуру доходности и риски. Стратегия может [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Информационные критерии: AIC (Akaike Information Criterion) и BIC (Bayesian Information Criterion)</title>
		<link>https://mlgu.ru/3400/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 14 Jul 2025 12:14:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3400</guid>

					<description><![CDATA[Информационные критерии Акаике и BIC часто используют для выбора оптимальной модели машинного обучения. Они помогают сбалансировать точность аппроксимации и сложность модели, предотвращая переобучение и избыточную параметризацию. В отличие от чисто статистических метрик, AIC и BIC учитывают не только качество подгонки модели к данным, но и число используемых параметров, что делает их особенно полезными при сравнении [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>MSE, RMSE, MAE, MAPE для оценки качества прогнозов временных рядов</title>
		<link>https://mlgu.ru/3091/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 30 Jun 2025 17:51:11 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3091</guid>

					<description><![CDATA[При построении моделей прогнозирования временных рядов, для оценки качества чаще всего используют одну или две из следующих четырех метрик: MSE, RMSE, MAE и MAPE. Каждая из них рассказывает свою историю о модели, и понимание этих нюансов может стать разницей между прибыльной стратегией и потерей капитала. И MSE, RMSE, MAE и MAPE решают одну и ту [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели ценообразования активов: CAPM и APT</title>
		<link>https://mlgu.ru/2289/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 16 May 2025 14:23:53 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2289</guid>

					<description><![CDATA[В этой статье я предлагаю разобрать две фундаментальные модели ценообразования, которые значительно повлияли на современную финансовую теорию — Capital Asset Pricing Model (CAPM) и Arbitrage Pricing Theory (APT). Эти модели представляют собой краеугольные камни в понимании взаимосвязи между риском и доходностью, хотя в реальной торговой практике требуют существенных модификаций или даже альтернативных подходов, особенно в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Рынки капитала: акции, облигации, деривативы. Основы ценообразования и оценки</title>
		<link>https://mlgu.ru/1234/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 25 Apr 2025 12:06:06 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[методы оценки]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1234</guid>

					<description><![CDATA[В этой статье я подробно рассмотрю три основополагающих элемента рынков капитала: акции, облигации и деривативы. Мы погрузимся в их сущность, механизмы функционирования, методы оценки и стратегии работы с ними. Особое внимание я уделю точкам пересечения традиционного финансового анализа с современными методами data science и машинного обучения. Рынки капитала: основные понятия и структура Рынки капитала представляют [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
