1. Введение
Искусственный интеллект становится все более популярным, а машинное обучение широко используется в моделях оценки. Благодаря своей хорошей способности к изучению функций, он может изучать взаимосвязь между индикаторами функций и реальными ценами транзакций посредством обучения. Вводя известные индикаторы функций, модель ИИ оценит соответствующую оценку NFT.
Построение простой модели оценки машинного обучения состоит из следующих шагов:
а. Сбор данных
б. генерация признаков
в. обучение модели
д. оценка модели
В следующих разделах будет кратко представлен каждый этап.
2. Сбор данных
Модуль сбора данных будет собирать данные о транзакциях NFT в режиме реального времени и предоставлять исходные данные для индикаторов функций, таких как информация о создателе NFT, информация об атрибутах, исторические записи транзакций и другие многомерные данные. Этот модуль будет проводить многоуровневый комплексный анализ данных NFT, включая анализ дефицита NFT, анализ отслеживаемости адресов транзакций и перекрестный анализ.
3. Разработка функций
Модуль анализа функций включает в себя базовый анализ, анализ транзакций, анализ общественного мнения и т. д. Создавая функции NFT, он используется для представления состояния момента транзакции NFT и обеспечения поддержки обучающих данных для модели.
Базовый анализ данных
На основе анализа массивных базовых данных, включая информацию об атрибутах работы, портрет покупателя, портрет продавца, портрет работы и т. д., сконструируйте функцию группы клиентов и функцию категории работы, которые используются для отражения основных атрибутов NFT.
Анализ транзакций
Основываясь на массивных данных истории транзакций, мы построим сеть взаимоотношений транзакций и извлечем характеристики связанных транзакций, включая частоту транзакций, сумму транзакции, ценовую тенденцию и другие характеристики аналогичных работ покупателей и продавцов.
Анализ тенденций
Благодаря сбору данных об общественном мнении в режиме реального времени создавайте функции тенденций NFT, функции общественного мнения NFT и собирайте данные о социальной популярности работ NFT для создания таких функций, как активность общественного мнения.
· Исторические особенности транзакций
· Функция сбора NFT
· Характеристики активов NFT
· авторские особенности
· особенности продавца
· другие статистические признаки
4. Построение модели
Временной ряд — это упорядоченный набор периодических измерений, таких как ежедневные цены на акции или еженедельные данные о продажах. Методы моделирования временных рядов предполагают, что история всегда будет повторяться, если не достаточно точно, но достаточно близко, чтобы изучить прошлое, чтобы принимать лучшие решения о будущем.
В настоящее время Banksea завершил создание более 100 моделей оценки коллекций ETH NFT и более 50 моделей оценки коллекций SOl NFT и постоянно оптимизирует и обновляет.
5. Оценка модели
Для модели прогнозирования временных рядов существует множество методов оценки модели. Из-за большой разницы в цене различных серий NFT нецелесообразно использовать ошибку для сравнения напрямую, поэтому мы используем MAPE для оценки эффекта модели и всесторонне ссылаемся на другие показатели оценки в сочетании с онлайн-эффектом модели. оценивает эффект модели.
Методы оценки модели
Средняя абсолютная процентная ошибка (MAPE), также известная как среднее абсолютное процентное отклонение (MAPD), является мерой точности предсказания метода прогнозирования в статистике. Обычно точность выражается как отношение, определяемое формулой:
где Ai — фактическое значение, а Fi — прогнозируемое значение. Их разница делится на фактическое значение Ai. Абсолютное значение этого отношения суммируется для каждого прогнозируемого момента времени и делится на количество подобранных точек n.
Дополнительные методы оценки модели:
R²- коэффициент детерминации
Средняя абсолютная ошибка в процентах (MAPE)
Средняя абсолютная ошибка (MAE)
Среднеквадратическая ошибка (MSE)
Средняя потеря регрессии абсолютной ошибки (MedAE)
Оценка модели
Пример 01 — Академия дегенеративных обезьян
Degenerate Ape Academy — это бренд NFT, размещенный на блокчейне Solana. Академия состоит из 10 000 выродившихся обезьян NFT.
Соберите 18 524 записи о транзакциях, протестируйте исторические оценки и реальные цены транзакций, агрегируйте по дням и рассчитайте результаты исторической оценки.
Средняя абсолютная ошибка в процентах (MAPE)
Средняя абсолютная ошибка (MAE)
Среднеквадратическая ошибка (MSE)
Пример 02 — криптопанки
CryptoPunks был запущен в виде фиксированного набора из 10 000 элементов в середине 2017 года и стал одним из источников вдохновения для стандарта ERC-721. Они были представлены в таких местах, как The New York Times, Christie’s of London, Art|Basel Miami и PBS NewsHour.
Средняя абсолютная ошибка в процентах (MAPE)
Средняя абсолютная ошибка (MAE)
Среднеквадратическая ошибка (MSE)
Чтобы узнать больше о моделях ИИ, присоединяйтесь к сообществу Banksea.
6. Интерпретируемость модели
SHAP (Shapley Additive exPlanations) — это теоретико-игровой подход к объяснению результатов любой модели машинного обучения. Он связывает оптимальное распределение кредитов с локальными объяснениями с использованием классических значений Шепли из теории игр и связанных с ними расширений (подробности и цитаты см. в статьях).
Пример: CryptoPunk #2481
Время оценки ИИ: 20210822
Сумма оценки AI: 51,1ETH
Оценка модели близка к реальной цене продажи 59,9 ETH на 20210823 год.
· Исторические данные о транзакциях:
Недавняя торговая цена низкая, и есть снижение цены.
· Объяснение причин оценки модели ИИ
7. Что дальше
1. Настройка сцены модели
2. Внедрение технологии оценки в режиме реального времени
· Интервал оценки (часы, минуты, секунды)
· Своевременность и стабильность
· Потоковое
· онлайн обучение
3. Методы оценки модели, подходящие для оценки NFT
· Оффлайн-оценка
· Онлайн-оценка
· А/Б тест
4. Модель совместного творчества
· Рынок функций
· Автомл
· Трансферное обучение
· Комплексное обучение
Banksea — это модель оценки, построенная на основе алгоритма искусственного интеллекта, которая предоставляет пользователям круглосуточную оценку и поддержку данных в режиме реального времени.
Ссылки
1. Средняя абсолютная ошибка в процентах
2. Единый подход к интерпретации модельных прогнозов
3. От локальных объяснений к глобальному пониманию с объяснимым ИИ для деревьев
4. ШАП Док
5. Склерн Док
6. Показатели ошибок прогноза временных рядов, которые вы должны знать
