아니요, tslab이었습니다. R에서 데이터를 언로드하고 이미 tslab에 있는 거래는 R이 있는 모델의 신호에 따라 시뮬레이션됩니다. R-ke에서 거래를 시뮬레이션하는 것보다 더 빠르고 더 편리하고 시각적입니다. 또한 중지합니다 . 손실, 테이크, 커미션 karoch 두통은 쓰기에 전부입니다
글쎄, 나무가 많을수록 시스템이 트랜잭션을 덜 수행하고 품질이 전혀 향상되지 않는 것으로 나타났습니다.
예를 들어, 내 모델이 매개변수 10/5로 500번의 거래를 하고 매개변수 5/200(5개 분할, 200개 나무)을 사용하여 한 번 거래하거나 전혀 거래하지 않으면 일반화가 떨어지고 모델이 찾기 시작합니다. 과거에는 있었지만 미래에는 결코 일어나지 않을 아주 분명한 상황
글쎄, 나무가 많을수록 시스템이 트랜잭션을 덜 수행하고 품질이 전혀 향상되지 않는다는 것이 밝혀졌습니다.
예를 들어, 내 모델이 매개변수 10/5로 500번의 거래를 하고 매개변수 5/200(5개 분할, 200개 나무)을 사용하여 한 번 거래하거나 전혀 거래하지 않으면 일반화가 떨어지고 모델이 찾기 시작합니다. 과거에는 있었지만 미래에는 결코 일어나지 않을 아주 분명한 상황
산산이치 포멘코 : 흥미로운 아이디어입니다. 과적합에 어려움을 겪고 있는 나무의 수는 무엇입니까?
확실히 그런 방식은 아니지만...
내가 쓰는 것은 내 접근 방식에만 적용됩니다.
내가 어떻게 타겟을 잡는지 알잖아, 반전이야
나는 "up", "down"및 "not turn"( 1 , -1 , 0) 세 가지 턴 클래스가 있습니다.
또한 클래스의 왜곡이 거대하고 클래스 "0"이 "-1" 및 "1"보다 10배 더 많다는 것을 알고 있습니다.
이것은 모델이 가장 많은 관찰을 설명하기 때문에 클래스 "0"에서 가장 잘 훈련된다는 것을 의미합니다. 모델을 훈련할 때 더 많은 트리가 더 많은 클래스 "0"이 훈련되고 클래스 "0"이 더 좋아지고 강해집니다. 그는 클래스 "1", "-1"과 같이 ( 흡수 - 짜내기 ) 배우기 시작합니다. 그래서 트리가 많을수록 트랜잭션이 적습니다.
알겠습니다 :)
)))
당신은 웰스랩에서 거래를 합니까?
)))
당신은 웰스랩에서 거래를 합니까?
4) 학습 프로세스에서 교차 검증을 수행한 다음 동일한 데이터에 대해 여러 번 반복하고 결과의 산포가 얼마나 큰지 확인하고 산포가 작은 모델 및 예측 변수 선택
이것이 지금 마음에 떠오른 것이지만 이것이 가능한 문제의 한계가 아닙니다.
당신은 놀라고 분명히 나와 동의하지 않을 것입니다 (당신뿐만 아니라 :) ) 그러나 교차 검증이 시장에 적용될 때 적어도 고전적인 응용 프로그램에서 효과적이라고 믿지 않습니다.
당신은 놀라고 분명히 나와 동의하지 않을 것입니다 (당신뿐만 아니라 :)). 그러나 교차 검증이 시장에 적용될 때 적어도 고전적인 응용 프로그램에서 효과적이라고 믿지 않습니다.
당신은 놀라고 분명히 나와 동의하지 않을 것입니다 (당신뿐만 아니라 :)). 그러나 교차 검증이 시장에 적용될 때 적어도 고전적인 응용 프로그램에서 효과적이라고 믿지 않습니다.
나무가 왜 이렇게 적을까?
글쎄, 나무가 많을수록 시스템이 트랜잭션을 덜 수행하고 품질이 전혀 향상되지 않는 것으로 나타났습니다.
예를 들어, 내 모델이 매개변수 10/5로 500번의 거래를 하고 매개변수 5/200(5개 분할, 200개 나무)을 사용하여 한 번 거래하거나 전혀 거래하지 않으면 일반화가 떨어지고 모델이 찾기 시작합니다. 과거에는 있었지만 미래에는 결코 일어나지 않을 아주 분명한 상황
교차 검증의 의미를 이해하는 방법부터 시작하겠습니다. 당신은 말할 수 있습니까?
너랑 똑같다고 확신해
섹션을 5개 부분으로 4개 부분으로 나누고, 5일에 학습하고, 샘플의 모든 5개 부분에서 샘플 외 검사가 발생하도록 섹션을 사용하여 모든 옵션을 확인하고 반복하고 평균 오차를 계산합니다.
아직 잊지 않았다면 그런 것 같다
글쎄, 나무가 많을수록 시스템이 트랜잭션을 덜 수행하고 품질이 전혀 향상되지 않는다는 것이 밝혀졌습니다.
예를 들어, 내 모델이 매개변수 10/5로 500번의 거래를 하고 매개변수 5/200(5개 분할, 200개 나무)을 사용하여 한 번 거래하거나 전혀 거래하지 않으면 일반화가 떨어지고 모델이 찾기 시작합니다. 과거에는 있었지만 미래에는 결코 일어나지 않을 아주 분명한 상황
너랑 똑같다고 확신해
섹션을 5개 부분으로 4개 부분으로 나누고, 5일에 학습하고, 샘플의 모든 5개 부분에서 샘플 외 검사가 발생하도록 섹션을 사용하여 모든 옵션을 확인하고 반복하고 평균 오차를 계산합니다.
아직 잊지 않았다면 그런 것 같다
네. 무엇을 위한 것입니까? 최적의 학습 매개변수를 찾습니다.
이 접근 방식이 마음에 들지 않는 점은 무엇입니까? 설정을 어떻게 선택하시겠습니까?
흥미로운 아이디어입니다. 과적합에 어려움을 겪고 있는 나무의 수는 무엇입니까?
확실히 그런 방식은 아니지만...
내가 쓰는 것은 내 접근 방식에만 적용됩니다.
내가 어떻게 타겟을 잡는지 알잖아, 반전이야
나는 "up", "down"및 "not turn"( 1 , -1 , 0) 세 가지 턴 클래스가 있습니다.
또한 클래스의 왜곡이 거대하고 클래스 "0"이 "-1" 및 "1"보다 10배 더 많다는 것을 알고 있습니다.
이것은 모델이 가장 많은 관찰을 설명하기 때문에 클래스 "0"에서 가장 잘 훈련된다는 것을 의미합니다. 모델을 훈련할 때 더 많은 트리가 더 많은 클래스 "0"이 훈련되고 클래스 "0"이 더 좋아지고 강해집니다. 그는 클래스 "1", "-1"과 같이 ( 흡수 - 짜내기 ) 배우기 시작합니다. 그래서 트리가 많을수록 트랜잭션이 적습니다.