선형 분류기의 예. 분류기에 무언가를 가르친다고 가정하고 2개의 출력에 대해 0에서 1로 가격 증분을 적용합니다. 여기서 0.5는 신호가 없음(출력의 합은 항상 1임)
이 문장에는 잘못된 것이 있습니다. 분류기를 훈련하면 교사는 0에서 1로 증가하지 않고 특정 값(예: -1 및 1(가격 하락/가격 인상))이 됩니다. 모델에 대한 교육 테이블과 교사를 만들 때 증분은 -1과 1로 반올림해야 하며 증분 크기에 대한 모든 정보는 손실됩니다.
그런 다음 모델은 학습하고 일부 분류 모델은 예측할 때 -1과 1의 엄격한 값 대신 실제로 클래스의 확률을 제공할 수 있습니다. 그러나 이 확률은 "X%의 확률을 가진 가격은 아마도 알려지지 않은 성장만큼 증가할 것"으로 해석될 수 있습니다.
막심 드미트리예프스키 :
그리고 비선형 분류로 신경망을 사용하는 경우 출력 판독값이 신호의 강도를 나타내거나 2개 클래스 중 1개 클래스에 속하는 정도만 표시하고 더 이상 표시하지 않습니다.
여기서 다시 2개의 클래스 중 1개의 클래스에 속하는 정도만 있을 것이며 더 이상은 없을 것입니다. 그림과 같은 요구 사항은 충족되지 않습니다. 성장의 양을 알고 싶다면 여러 성장 단계에 대한 클래스를 많이 생성해야 합니다.
분류 대신 회귀를 사용할 수 있습니다. 그리고 회귀 모델 이 필요합니다. 그런 다음 훈련 중에 변경 및 반올림 없이 가격 인상을 제출할 수 있으며 모델이 높은 정확도를 달성할 수 있으면 일부 확률 및 클래스가 아닌 인상 값을 정확히 예측합니다. 매우 편안합니다.
특히 Forex에서는 분류보다 회귀로 더 이상 달성하지 못했습니다. 모델은 예측 시 매우 작은 값을 산출했지만, 50% 이상의 경우에서 방향을 추측했지만 예측에서 예상되는 증가의 크기를 추정하는 것은 불가능했다. 결과적으로 "가격이 알 수 없는 수준으로 오를 것"이라는 두 가지 등급으로 해석되었습니다.
선형 분류기의 예. 분류기에 무언가를 가르친다고 가정하고 2개의 출력에 대해 0에서 1로 가격 증분을 적용합니다. 여기서 0.5는 신호가 없음(출력의 합은 항상 1임)
예를 들어 가격을 기준으로 간단한 회귀선을 만들면 더 큰 가격 증분은 선에서 멀어지고 더 작은 것은 더 가깝습니다. 즉, 분류기가 0.9를 출력하는 경우입니다. 0.1이면 양수 증분은 선에서 멀리 떨어져 있습니다. 0.9 신호는 0.6 구매 신호보다 강합니다.
그리고 비선형 분류로 신경망을 사용하는 경우 출력 판독값이 신호의 강도를 나타내거나 2개 클래스 중 1개 클래스에 속하는 정도만 표시하고 더 이상 표시하지 않습니다.
저것들. 다음 조건이 충족됩니까?
이 상황에서 이미 재료를 잘 모르는 초보자의 절반은 실패 할 것 같습니다.. 특정 클래스에 속하는 정도는 직관적으로 더 크거나 더 낮은 신호 강도를 나타낼 것입니다. 그러나 이것이 실제로 그러하며 증분을 분산하기 위해 더 많은 클래스를 만드는 것이 더 낫지 않습니까, 예를 들어 % 단위로 값을 가져오면 하나 또는 다른 클래스(예: 10개 중 하나)에 값을 가져오면 이미 정확히 알려줄 것입니다. 증가.
출력에서 신호 강도와 같은 특성을 가지려면 클래스 수가 증가해도 유한(이산)으로 유지되는 분류 문제를 해결해야 하는 이유가 무엇입니까? 회귀 문제를 가지고 -1(100% SELL)에서 1(100% BUY) 또는 일반적으로 점으로 학습할 때 출력을 적용합니다. SELL의 경우 음수이고 BUY의 경우 양수이며 예상대로 0은 평평합니다.
이 문장에는 잘못된 것이 있습니다. 분류기를 훈련하면 교사는 0에서 1로 증가하지 않고 특정 값(예: -1 및 1(가격 하락/가격 인상))이 됩니다. 모델에 대한 교육 테이블과 교사를 만들 때 증분은 -1과 1로 반올림해야 하며 증분 크기에 대한 모든 정보는 손실됩니다.
그런 다음 모델은 학습하고 일부 분류 모델은 예측할 때 -1과 1의 엄격한 값 대신 실제로 클래스의 확률을 제공할 수 있습니다. 그러나 이 확률은 "X%의 확률을 가진 가격은 아마도 알려지지 않은 성장만큼 증가할 것"으로 해석될 수 있습니다.
여기서 다시 2개의 클래스 중 1개의 클래스에 속하는 정도만 있을 것이며 더 이상은 없을 것입니다. 그림과 같은 요구 사항은 충족되지 않습니다. 성장의 양을 알고 싶다면 여러 성장 단계에 대한 클래스를 많이 생성해야 합니다.
분류 대신 회귀를 사용할 수 있습니다. 그리고 회귀 모델이 필요합니다. 그런 다음 훈련 중에 변경 및 반올림 없이 가격 인상을 제출할 수 있으며 모델이 높은 정확도를 달성할 수 있으면 일부 확률 및 클래스가 아닌 인상 값을 정확히 예측합니다. 매우 편안합니다.
특히 Forex에서는 분류보다 회귀로 더 이상 달성하지 못했습니다. 모델은 예측 시 매우 작은 값을 산출했지만, 50% 이상의 경우에서 방향을 추측했지만 예측에서 예상되는 증가의 크기를 추정하는 것은 불가능했다. 결과적으로 "가격이 알 수 없는 만큼 인상될 것"이라는 두 가지 등급으로 해석되었습니다.
그것은 분명합니다 :) 결국 출력에서 클래스에 할당될 확률은 증분의 가능한 크기와 아무 관련이 없다는 것을 의미합니다. .. 보시다시피, 여기에서 일부는 혼란스럽기도 합니다. 초보자에게는 이것이 모호한 점입니다. .. 반면에 신경망이 확률을 생성하는 경우(예: softmax 계층) 클래스에 속하는 것이 0.5보다 큰 확률로 조기에 결정된다면 왜 필요한가? 글쎄, 당신은 정말로 회귀 모델 을 사용하려고 시도하고 출력 값의 정규화로부터 자신을 구할 수 있습니다 .. 그건 그렇고, 나는 거기에서 임의의 숲을 사용하고 입력의 정규화는 필요하지 않습니다
출력에서 신호 강도와 같은 특성을 가지려면 클래스 수가 증가해도 유한(이산)으로 유지되는 분류 문제를 해결해야 하는 이유가 무엇입니까? 회귀 문제를 가지고 -1(100% SELL)에서 1(100% BUY) 또는 일반적으로 점으로 학습할 때 출력을 적용합니다. SELL의 경우 음수이고 BUY의 경우 양수이며 예상대로 0은 평평합니다.
그리고 네, 여기서 요점은 정규화에 있습니다. 다른 시간 간격으로 다른 방식으로 데이터를 점프하고 정규화합니다.
예, 알아내도록 노력하겠습니다.
아니요, 이미 화면을 제공했습니다. 증분은 고정되어 있고 0의 양쪽에서 대칭이므로 확률은 + - 동일합니다.
감사합니다.
그럴 수도 있겠지만 가격의 움직임에서 대칭성을 확인하려고 했을 때 찾지 못했습니다. 결과적으로, 다른 증분은 다른 방향에서 다른 확률을 가질 것입니다.
감사합니다.
여기서 확률은 본질적으로 50\50(0 위/아래) - 클래스에 속하거나 속하지 않으며 다른 모든 값은 신호의 강도입니다. 따라서 증분이 대칭적이지 않더라도 NN은 스스로 학습해야 합니다. :)
여기서 확률은 본질적으로 0과 1입니다. 클래스에 속하거나 속하지 않으며 다른 모든 값은 신호 강도를 나타냅니다. 따라서 증분이 대칭적이지 않더라도 NN은 스스로 학습해야 합니다. :)
이 경우 제 생각에는 위에서 이미 언급했듯이 신호가 매수 또는 매도에 속하지 않는 특정 경계인 3rd state가 있어야 합니다. 사람들이 소음, 평면 및 유사한 이름이라고 부르는 것.
감사합니다.
이 경우 제 생각에는 위에서 이미 언급했듯이 신호가 매수 또는 매도에 속하지 않는 특정 경계인 3rd state가 있어야 합니다. 사람들이 소음, 평면 및 유사한 이름이라고 부르는 것.
감사합니다.
그런 다음 동일한 확률로 두 클래스에 할당합니다.
그런 다음 동일한 확률로 두 클래스에 할당합니다.
감사합니다.
선형 분류기의 예. 분류기에 무언가를 가르친다고 가정하고 2개의 출력에 대해 0에서 1로 가격 증분을 적용합니다. 여기서 0.5는 신호가 없음(출력의 합은 항상 1임)
이 문장에는 잘못된 것이 있습니다. 분류기를 훈련하면 교사는 0에서 1로 증가하지 않고 특정 값(예: -1 및 1(가격 하락/가격 인상))이 됩니다. 모델에 대한 교육 테이블과 교사를 만들 때 증분은 -1과 1로 반올림해야 하며 증분 크기에 대한 모든 정보는 손실됩니다.
그런 다음 모델은 학습하고 일부 분류 모델은 예측할 때 -1과 1의 엄격한 값 대신 실제로 클래스의 확률을 제공할 수 있습니다. 그러나 이 확률은 "X%의 확률을 가진 가격은 아마도 알려지지 않은 성장만큼 증가할 것"으로 해석될 수 있습니다.
그리고 비선형 분류로 신경망을 사용하는 경우 출력 판독값이 신호의 강도를 나타내거나 2개 클래스 중 1개 클래스에 속하는 정도만 표시하고 더 이상 표시하지 않습니다.
분류 대신 회귀를 사용할 수 있습니다. 그리고 회귀 모델 이 필요합니다. 그런 다음 훈련 중에 변경 및 반올림 없이 가격 인상을 제출할 수 있으며 모델이 높은 정확도를 달성할 수 있으면 일부 확률 및 클래스가 아닌 인상 값을 정확히 예측합니다. 매우 편안합니다.
특히 Forex에서는 분류보다 회귀로 더 이상 달성하지 못했습니다. 모델은 예측 시 매우 작은 값을 산출했지만, 50% 이상의 경우에서 방향을 추측했지만 예측에서 예상되는 증가의 크기를 추정하는 것은 불가능했다. 결과적으로 "가격이 알 수 없는 수준으로 오를 것"이라는 두 가지 등급으로 해석되었습니다.
프로세스를 이해하도록 도와주세요 :)
선형 분류기의 예. 분류기에 무언가를 가르친다고 가정하고 2개의 출력에 대해 0에서 1로 가격 증분을 적용합니다. 여기서 0.5는 신호가 없음(출력의 합은 항상 1임)
예를 들어 가격을 기준으로 간단한 회귀선을 만들면 더 큰 가격 증분은 선에서 멀어지고 더 작은 것은 더 가깝습니다. 즉, 분류기가 0.9를 출력하는 경우입니다. 0.1이면 양수 증분은 선에서 멀리 떨어져 있습니다. 0.9 신호는 0.6 구매 신호보다 강합니다.
그리고 비선형 분류로 신경망을 사용하는 경우 출력 판독값이 신호의 강도를 나타내거나 2개 클래스 중 1개 클래스에 속하는 정도만 표시하고 더 이상 표시하지 않습니다.
저것들. 다음 조건이 충족됩니까?
이 상황에서 이미 재료를 잘 모르는 초보자의 절반은 실패 할 것 같습니다.. 특정 클래스에 속하는 정도는 직관적으로 더 크거나 더 낮은 신호 강도를 나타낼 것입니다. 그러나 이것이 실제로 그러하며 증분을 분산하기 위해 더 많은 클래스를 만드는 것이 더 낫지 않습니까, 예를 들어 % 단위로 값을 가져오면 하나 또는 다른 클래스(예: 10개 중 하나)에 값을 가져오면 이미 정확히 알려줄 것입니다. 증가.출력에서 신호 강도와 같은 특성을 가지려면 클래스 수가 증가해도 유한(이산)으로 유지되는 분류 문제를 해결해야 하는 이유가 무엇입니까? 회귀 문제를 가지고 -1(100% SELL)에서 1(100% BUY) 또는 일반적으로 점으로 학습할 때 출력을 적용합니다. SELL의 경우 음수이고 BUY의 경우 양수이며 예상대로 0은 평평합니다.
추신
이미 이전 메시지에 썼습니다 - 거의 같은 의미 ...
이 문장에는 잘못된 것이 있습니다. 분류기를 훈련하면 교사는 0에서 1로 증가하지 않고 특정 값(예: -1 및 1(가격 하락/가격 인상))이 됩니다. 모델에 대한 교육 테이블과 교사를 만들 때 증분은 -1과 1로 반올림해야 하며 증분 크기에 대한 모든 정보는 손실됩니다.
그런 다음 모델은 학습하고 일부 분류 모델은 예측할 때 -1과 1의 엄격한 값 대신 실제로 클래스의 확률을 제공할 수 있습니다. 그러나 이 확률은 "X%의 확률을 가진 가격은 아마도 알려지지 않은 성장만큼 증가할 것"으로 해석될 수 있습니다.
여기서 다시 2개의 클래스 중 1개의 클래스에 속하는 정도만 있을 것이며 더 이상은 없을 것입니다. 그림과 같은 요구 사항은 충족되지 않습니다. 성장의 양을 알고 싶다면 여러 성장 단계에 대한 클래스를 많이 생성해야 합니다.분류 대신 회귀를 사용할 수 있습니다. 그리고 회귀 모델이 필요합니다. 그런 다음 훈련 중에 변경 및 반올림 없이 가격 인상을 제출할 수 있으며 모델이 높은 정확도를 달성할 수 있으면 일부 확률 및 클래스가 아닌 인상 값을 정확히 예측합니다. 매우 편안합니다.
특히 Forex에서는 분류보다 회귀로 더 이상 달성하지 못했습니다. 모델은 예측 시 매우 작은 값을 산출했지만, 50% 이상의 경우에서 방향을 추측했지만 예측에서 예상되는 증가의 크기를 추정하는 것은 불가능했다. 결과적으로 "가격이 알 수 없는 만큼 인상될 것"이라는 두 가지 등급으로 해석되었습니다.
그것은 분명합니다 :) 결국 출력에서 클래스에 할당될 확률은 증분의 가능한 크기와 아무 관련이 없다는 것을 의미합니다. .. 보시다시피, 여기에서 일부는 혼란스럽기도 합니다. 초보자에게는 이것이 모호한 점입니다. .. 반면에 신경망이 확률을 생성하는 경우(예: softmax 계층) 클래스에 속하는 것이 0.5보다 큰 확률로 조기에 결정된다면 왜 필요한가? 글쎄, 당신은 정말로 회귀 모델 을 사용하려고 시도하고 출력 값의 정규화로부터 자신을 구할 수 있습니다 .. 그건 그렇고, 나는 거기에서 임의의 숲을 사용하고 입력의 정규화는 필요하지 않습니다
출력에서 신호 강도와 같은 특성을 가지려면 클래스 수가 증가해도 유한(이산)으로 유지되는 분류 문제를 해결해야 하는 이유가 무엇입니까? 회귀 문제를 가지고 -1(100% SELL)에서 1(100% BUY) 또는 일반적으로 점으로 학습할 때 출력을 적용합니다. SELL의 경우 음수이고 BUY의 경우 양수이며 예상대로 0은 평평합니다.
추신
이미 이전 메시지에 썼습니다 - 거의 같은 의미 ...
예, 회귀가 더 민첩할 것으로 나타났습니다(그런데 저는 신경망이 아닌 RF를 사용합니다)