여기에서 분류를 0과 1로 나눌 확률 선택을 자동화하는 문제에 대해 생각하기로 결정하고 0.1 단계로 균형 계산을 수행하고 테스트 샘플의 결과에 소름이 돋았습니다.
시험 샘플의 동일한 모델
내 테스트 세트는 학습을 방해하는 추가 ML 조건이 없는 전략에 매우 유리한 것으로 나타났습니다(학습은 학습 세트에서 이루어지고 모델은 테스트 세트에서 선택됨). 어떻게 생각하세요?
나는 그림과 문제의 본질이 무엇인지 잘 이해하지 못했습니다.
나 자신이 모델의 변형을 생성했습니다. 이제 모니터링을 위해 선택할 모델을 알아 내려고 노력 중입니다. D 또는 추가 개선
간단히 말해서 .. 이러한 접근 방식에서는 거래가 출구에서 올바르게 표시되지 않습니다.
슬라이딩 창의 각 차원에는 거래가 이루어지는 자체 분포가 있어야 하기 때문입니다. 그러면 모델이 더 잘 조정됩니다. 그리고 테스트 샘플 아래. (지그재그 또는 다른 출구는 그 자체로 매우 결정적이지만 피팅에 대한 자유도는 거의 없습니다) 출구 열거가 더 철저하고 실제로 더 이상 할 일이 없습니다.
입력에서 서로 다른 시차로 증가하는 구식 방식, 중요도를 통한 자체 선택 및 PCA를 통해 상관 관계 제거 가능, 이러한 옵션도 봇에 의해 만들어졌습니다. 그러나 일반적으로 PCA의 사용은 결함이 있는 아이디어입니다. 샘플은 중앙에 배치되어야 할 뿐만 아니라 새로운 데이터에서도 이러한 구성 요소가 천천히 슬래그로 변합니다.
이 모든 것이 문제 없이 다음과 같은 결과를 제공합니다. 10분만 기다리세요.
모델이 이미 기차의 100% 이상을 충족할 때 추가 개선 가능성은 일반적으로 의심스러워 보입니다.
날카롭고 오싹할 수 있는 비정상성에 의해 모든 것이 망가집니다.
최적의 가중치를 선택하여 해결됩니다. 예를 들어, 사후 ..를 균일에서 지수 로 변경하는 방법
우리가 나에 대해 이야기하면 테스트 샘플과 시험 샘플에 곡선을 표시했습니다. 교육이 진행되는 샘플은 보지도 않습니다 ...
어째서인지 자꾸 쳐다보네.. 입술을 보고 핥아먹을 수도 있고 유통시킬 수도 있다는 얘기다
사실, 이미 사전 및 사후)) 가중치를 통해 업데이트하면 됩니다. 이것은 훌륭하고 표면에 있습니다.
Alexander가 말했듯이 .. 가방을 준비하십시오
어째서인지 자꾸 쳐다보네.. 입술을 보고 핥아먹을 수도 있고 유통시킬 수도 있다는 얘기다
오히려 입술을 핥지 않고 공부한다-계산으로 파고들다-느꼈다. 저는 이미 모델을 특징짓는 약 200개의 예측 변수(많은 예측 변수의 표현은 10개의 열로 표현됨)를 선택했습니다. :)
저녁이 되면 모델들이 도착할 텐데, non-confluent 모델을 예측하는 방법을 배워보도록 하겠습니다. :)
여기에서 모델의 나무 수에 대한 이익 의존도 그래프를 봅니다(512개 모델).
그리고 60개 이상의 트리가 많은 모델은 병합될 가능성이 적거나 샘플이 작은 것 같습니다...
여기에서 모델의 나무 수에 대한 이익 의존도 그래프를 봅니다(512개 모델).
그리고 60개 이상의 트리가 많은 모델은 병합될 가능성이 적거나 샘플이 작은 것 같습니다...
어떻게 그런 수의 모델을 수동으로 만들 수 있습니까 .. TS 리그에 무엇이 있습니까?
이상적으로는 GA 또는 전체 무차별 대입을 통해 정렬되어야 합니다. 새 기사에서 나는 아직 출판되지 않은 방법을 썼습니다. mql의 모든 수단어떻게 그런 수의 모델을 수동으로 만들 수 있습니까 .. TS 리그에 무엇이 있습니까?
이상적으로는 GA 또는 전체 무차별 대입을 통해 정렬되어야 합니다. 새 기사에서 나는 아직 출판되지 않은 방법을 썼습니다. mql의 모든 수단왜 수동으로? 매개변수별로 모델을 생성하기 위한 사이클로 만든 Catbustu 배치 파일, 모델 매개변수에 대한 구성 파일은 MT5에서 스크립트로 생성됩니다. 결과 처리는 다른 스크립트에 의해 MT5에서도 수행되며 출력에서 모델의 특성이 포함된 요약 파일을 얻습니다.
또한 그래프 그리기 및 저장을 자동화하고 싶습니다. 일반적으로 좋을 것입니다.왜 수동으로? 매개변수별로 모델을 생성하기 위한 사이클로 만든 Catbustu 배치 파일, 모델 매개변수에 대한 구성 파일은 MT5에서 스크립트로 생성됩니다. 결과는 다른 스크립트에 의해 MT5에서도 처리되며 출력에서 모델의 특성이 포함된 요약 파일을 얻습니다.
또한 그래프 그리기 및 저장을 자동화하고 싶습니다. 일반적으로 좋을 것입니다.음, 쿨, 쿨, 레벨)
음, 쿨, 쿨, 레벨)
고맙습니다.
여기에서 분류를 0과 1로 나눌 확률 선택을 자동화하는 문제에 대해 생각하기로 결정하고 0.1 단계로 균형 계산을 수행하고 테스트 샘플의 결과에 소름이 돋았습니다.
시험 샘플의 동일한 모델
내 테스트 세트는 학습을 방해하는 추가 ML 조건이 없는 전략에 매우 유리한 것으로 나타났습니다(학습은 학습 세트에서 이루어지고 모델은 테스트 세트에서 선택됨). 어떻게 생각하세요?
고맙습니다.
여기에서 분류를 0과 1로 나눌 확률 선택을 자동화하는 문제에 대해 생각하기로 결정하고 0.1 단계로 균형 계산을 수행하고 테스트 샘플의 결과에 소름이 돋았습니다.
시험 샘플의 동일한 모델
내 테스트 세트는 학습을 방해하는 추가 ML 조건이 없는 전략에 매우 유리한 것으로 나타났습니다(학습은 학습 세트에서 이루어지고 모델은 테스트 세트에서 선택됨). 어떻게 생각하세요?
나는 그림과 문제의 본질이 무엇인지 잘 이해하지 못했습니다.
나 자신이 모델의 변형을 생성했습니다. 이제 모니터링을 위해 선택할 모델을 알아 내려고 노력 중입니다. D 또는 추가 개선
간단히 말해서 .. 이러한 접근 방식에서는 거래가 출구에서 올바르게 표시되지 않습니다.
슬라이딩 창의 각 차원에는 거래가 이루어지는 자체 분포가 있어야 하기 때문입니다. 그러면 모델이 더 잘 조정됩니다. 그리고 테스트 샘플 아래. (지그재그 또는 다른 출구는 그 자체로 매우 결정적이지만 피팅에 대한 자유도는 거의 없습니다) 출구 열거가 더 철저하고 실제로 더 이상 할 일이 없습니다.
입력에서 서로 다른 시차로 증가하는 구식 방식, 중요도를 통한 자체 선택 및 PCA를 통해 상관 관계 제거 가능, 이러한 옵션도 봇에 의해 만들어졌습니다. 그러나 일반적으로 PCA의 사용은 결함이 있는 아이디어입니다. 샘플은 중앙에 배치되어야 할 뿐만 아니라 새로운 데이터에서도 이러한 구성 요소가 천천히 슬래그로 변합니다.
이 모든 것이 문제 없이 다음과 같은 결과를 제공합니다. 10분만 기다리세요.
모델이 이미 기차의 100% 이상을 충족할 때 추가 개선 가능성은 일반적으로 의심스러워 보입니다.
좋은 그래픽/도구에서 더 많은 것을 짜낼 수 있습니다.