저는 제 의견을 고수합니다. 존자 XanKsanych(Fa)의 무조건적인 두 친척이 여기에 살고 있습니다. 1) 화가 난 투자자들에게 추월당한 아들 Alyoshenka, 2) 그의 할아버지의 작품을 읽는 모든 사람에게 수십억 달러를 약속하는 Kesh의 손자.
혼동하지 마십시오!
SanSanych와 Alyosha, Wizard 등을 비교하지 마십시오. SanSanych는 프로이고 Alyosha with Wizard는 몇 백 달러를 유출하고 전 세계의 화를 낸 Forex demotivators입니다. 나는 San Sanych의 손자가 아닙니다. 나는 그를 존경하고 그의 기사가 매우 유용하다고 생각합니다. 이것은 과학적으로 보이기 위해 링크와 용어를 수집하지만 실제로는 제로인 Apprentice Groom의 기사와 가르침에 대해서는 말할 수 없습니다 지팡이.
훈련 중이기 때문에 나무는 저개발. 재훈련된 트리에서는 테스트 트리에서 필요합니다. 나무도 그 소리를 기억할 것입니다. 훈련이 부족한 사람들에게는 그것이 중요하지 않다고 생각합니다. 그러나 표본 크기가 중요합니다. 크면 클수록 대표성이 높습니다. 그리고 내 훈련 영역은 3배 더 큽니다.
----------
https://www.mql5.com/ru/blogs/post/723619 자습서로 판단하면 대규모 대표 샘플은 클래스별 균형을 선택적으로 만들어 시간적 무작위성을 줄입니다. 훈련되지 않은 나무로 옮겼습니다. 하지만 내가 틀렸을 수도 있고 테스트 사이트에서 예측 변수의 중요성을 확인할 필요가 있습니다.
나무(나무 숲)가 완전히 훈련되었는지 여부를 어떻게 결정합니까?
어떤 경우든 이 기술은 다양한 샘플에서 트리의 안정성을 확인하는 것(샘플/샘플의 다른 섹션에서 이 안정성이 어떻게 변경되는지), 교육 및 테스트로 구성되어야 한다고 생각합니다. 그렇지 않으면 기록에 잘 맞는 노이즈를 측정합니다. 나무의 도움으로 패턴을 찾지 말고 가격 움직임의 역사만을 설명하십시오. 여기서 모든 예측자가 할 것입니다. 가장 중요한 것은 안정적이고 자주 발생한다는 것입니다.
나는 매년(2014-2018) 바람직하게는 수입을 가져오고 여러 추가 기준을 충족하는 그러한 패턴(잎 또는 미니 캣버스트 앙상블 모델)을 찾고 있습니다.
어떤 경우든 이 기술은 다양한 샘플에서 트리의 안정성을 확인하는 것(샘플/샘플의 다른 섹션에서 이 안정성이 어떻게 변경되는지), 교육 및 테스트로 구성되어야 한다고 생각합니다. 그렇지 않으면 기록에 잘 맞는 노이즈를 측정합니다. 트리를 사용하여 패턴을 찾지 말고 가격 움직임의 역사만 설명하면 여기에서 모든 예측자가 수행할 것입니다. 가장 중요한 것은 안정적이고 자주 발생한다는 것입니다 .
나는 매년(2014-2018) 바람직하게는 수입을 가져오고 여러 추가 기준을 충족하는 그러한 패턴(잎 또는 미니 캣버스트 앙상블 모델)을 찾고 있습니다.
안정적이고 자주 접하는 예측변수가 대상과 연관되어 있으며 패턴이 있습니다.
그리고 안정적이고 결과와 관련 없는 게시물에서 자주 접하는 과학 용어, 이것은 재교육일 가능성이 큽니다. :)
회귀를 시도하십시오
N개의 막대에 대한 가격과 예측의 높은 상관 관계가 있는 경우에만 거래하십시오.
트렌드 같은 건가요? 이것이 트렌드라는 것을 이해하면 이미 끝이 나고 있고, 진입이 아닌 퇴장을 해야 할 때입니다.
회귀(숲에서 수행)를 테스트하지만 나중에.
트렌드 같은 건가요? 이것이 트렌드라는 것을 이해하면 이미 끝이 나고 있고, 진입이 아닌 퇴장을 해야 할 때입니다.
글쎄, 그들은 그렇게 썼다, 나는 모른다.. 은유적으로 사실, 그들은 그것을 이해하기가 너무 어렵다고 생각했다
저는 제 의견을 고수합니다. 존자 XanKsanych(Fa)의 무조건적인 두 친척이 여기에 살고 있습니다. 1) 화가 난 투자자들에게 추월당한 아들 Alyoshenka, 2) 그의 할아버지의 작품을 읽는 모든 사람에게 수십억 달러를 약속하는 Kesh의 손자.
혼동하지 마십시오!
SanSanych와 Alyosha, Wizard 등을 비교하지 마십시오. SanSanych는 프로이고 Alyosha with Wizard는 몇 백 달러를 유출하고 전 세계의 화를 낸 Forex demotivators입니다. 나는 San Sanych의 손자가 아닙니다. 나는 그를 존경하고 그의 기사가 매우 유용하다고 생각합니다. 이것은 과학적으로 보이기 위해 링크와 용어를 수집하지만 실제로는 제로인 Apprentice Groom의 기사와 가르침에 대해서는 말할 수 없습니다 지팡이.
훈련 중이기 때문에 나무는 저개발. 재훈련된 트리에서는 테스트 트리에서 필요합니다. 나무도 그 소리를 기억할 것입니다.
훈련이 부족한 사람들에게는 그것이 중요하지 않다고 생각합니다.
그러나 표본 크기가 중요합니다. 크면 클수록 대표성이 높습니다. 그리고 내 훈련 영역은 3배 더 큽니다.
----------
https://www.mql5.com/ru/blogs/post/723619 자습서로 판단하면 대규모 대표 샘플은 클래스별 균형을 선택적으로 만들어 시간적 무작위성을 줄입니다. 훈련되지 않은 나무로 옮겼습니다.
하지만 내가 틀렸을 수도 있고 테스트 사이트에서 예측 변수의 중요성을 확인할 필요가 있습니다.
나무(나무 숲)가 완전히 훈련되었는지 여부를 어떻게 결정합니까?
어떤 경우든 이 기술은 다양한 샘플에서 트리의 안정성을 확인하는 것(샘플/샘플의 다른 섹션에서 이 안정성이 어떻게 변경되는지), 교육 및 테스트로 구성되어야 한다고 생각합니다. 그렇지 않으면 기록에 잘 맞는 노이즈를 측정합니다. 나무의 도움으로 패턴을 찾지 말고 가격 움직임의 역사만을 설명하십시오. 여기서 모든 예측자가 할 것입니다. 가장 중요한 것은 안정적이고 자주 발생한다는 것입니다.
나는 매년(2014-2018) 바람직하게는 수입을 가져오고 여러 추가 기준을 충족하는 그러한 패턴(잎 또는 미니 캣버스트 앙상블 모델)을 찾고 있습니다.
Kesha 손녀들, "트렌드"를 다시 살펴보겠습니다. 그렇지 않으면 모든 광대가 금지되고 당신은 혼자 남았습니다.
당신의 숲은 어때요, 추세를 예측합니까? 말해 주세요나무(나무 숲)가 훈련되었는지 여부를 어떻게 결정합니까?
어떤 경우든 이 기술은 다양한 샘플에서 트리의 안정성을 확인하는 것(샘플/샘플의 다른 섹션에서 이 안정성이 어떻게 변경되는지), 교육 및 테스트로 구성되어야 한다고 생각합니다. 그렇지 않으면 기록에 잘 맞는 노이즈를 측정합니다. 트리를 사용하여 패턴을 찾지 말고 가격 움직임의 역사만 설명하면 여기에서 모든 예측자가 수행할 것입니다. 가장 중요한 것은 안정적이고 자주 발생한다는 것입니다 .
나는 매년(2014-2018) 바람직하게는 수입을 가져오고 여러 추가 기준을 충족하는 그러한 패턴(잎 또는 미니 캣버스트 앙상블 모델)을 찾고 있습니다.
안정적이고 자주 접하는 예측변수가 대상과 연관되어 있으며 패턴이 있습니다.
그리고 안정적이고 결과와 관련 없는 게시물에서 자주 접하는 과학 용어, 이것은 재교육일 가능성이 큽니다. :)
안정적이고 자주 접하는 예측변수가 대상과 연관되어 있으며 패턴이 있습니다.
주야간 예측 변수를 상상해보십시오. 낮에는 예를 들어 목표에 1 개 이상이있을 것입니다. 이것이 좋은 예측 변수입니까? 아니면 낮이 아니라 밤보다 낮에 더 자주 (시장에 영향을 미치는) 중요한 뉴스가 나옵니다.
그리고 안정적이고 결과와 관련 없는 게시물에서 자주 접하는 과학 용어, 이것은 재교육일 가능성이 큽니다. :)
모 대중화를 위해 여기에서 많은 일을 하는 사람을 판단하는 것은 옳지 않다고 생각합니다...
Kesha 손녀들, "트렌드"를 다시 살펴보겠습니다. 그렇지 않으면 모든 광대가 금지되고 당신은 혼자 남았습니다.
당신의 숲은 어때요, 추세를 예측합니까? 말해 주세요테스트에서 안정적인 10-15% 오류, 모든 것이 정상입니다. 실생활에서는 모든 것이 혼란스럽고 불확실하지만, 나이든 부모의 목에 앉아 있는 당신과 비슷한 견습생 신랑과 달리 나는 거래하고 위험을 감수합니다.
나무(나무 숲)가 완전히 훈련되었는지 여부를 어떻게 결정합니까?
트리를 1줄로 제한:
샘플++; if(samples < 20){ 더 이상 노드를 나누지 않고 리프로 둡니다.}
저것들. 대표성을 위해 최소 20개의 예가 시트에 남아 있습니다.
그것이 당신이 요청한 전체 릴리스입니다)))
언더트레이닝의 정도, 즉 시트의 예제 수는 10, 100, 1000 또는 최적화될 수 있습니다. xgboost 에서는 min_child_weight라고 합니다.