Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 523
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Das ist nichts weiter als eine übliche Anpassung, die schon 100 Mal diskutiert wurde. Das ist elementar und hat im Devisenhandel keinen praktischen Nutzen.
Ich meine, es ist eine Anprobe. Ich dachte, ich hätte gesagt, es handele sich um einen Bereich außerhalb der Stichprobe von OOS..... Wo ist die Passform? Dies ist genau die Ebene der Verallgemeinerung, die hoch genug ist, wenn alles.....
Ich meine die Passform. Ich dachte, ich hätte gesagt, es sei ein Abschnitt außerhalb der Stichprobe...... Wo ist die Passform? Dies ist genau das hohe Maß an Verallgemeinerung, wenn alles.....
ah... aus... Ich habe die OOS verpasst :) dann sollte es auf der realen, wenn auch schlechter, aber immer noch in der + funktionieren
um stabile Ergebnisse zu erzielen, müssen Sie eine Kreuzvalidierung und adaptive TS durchführen... aber auch hier gibt es viele Fallstricke
Der größte Nachteil des Selbsttrainingsystems ist, dass die Gerüste oder NS jedes Mal an derselben Probe etwas anders trainiert werden, was zu erheblichen Veränderungen bei den Endergebnissen führen kann. Das heißt, wenn mehrere Male in den Tester, um die gleiche TS laufen, werden die Ergebnisse unterschiedlich sein :)
Und jedes Mal, wenn ich mich mehr und mehr mit NS beschäftige, beginne ich, einfache Logit- oder lineare Regression zu mögen :D
Weiß jemand, was mit dem Netzwerk passiert, wenn die Anzahl der Trainingsbeispiele pro Klasse unterschiedlich ist? Ich habe gesehen, dass dies zu Verzerrungen führt und das Netzwerk nur noch eine Klasse produziert, und dass eine Angleichung der Anzahl der Klassen die Situation korrigiert. Und diese Angleichung der Anzahl der Beispiele nach Klassen korrigiert die Situation.
Aber ich möchte den Grund dafür verstehen.
Wenn man zum Beispiel 100 Katzen und 2 Hunde gesehen hat, schenkt man den Hunden mehr Aufmerksamkeit und schaut sie sich an, nach dem Motto "Oh, etwas Neues". Aus irgendeinem Grund sehen diese 2 Hunde für ein neuronales Netz wie Katzen aus. D.h. die Quantität verdirbt die Qualität.
Eine zu geringe Anzahl von Beispielen einer der Klassen erlaubt es nicht, ein einziges Neuron/eine einzige Verbindung für ihre Definition zuzuweisen? Bei Softmax wird das Ausgangsneuron jedoch zugewiesen, so dass keine Verbindungen zu ihm hergestellt werden.
Oder zu diesen 2 Beispielen werden 10 sehr ähnliche aus einer anderen Klasse gefunden und bilden ein Übergewicht auf ihrer Seite?
Ich meine die Passform. Ich dachte, ich hätte gesagt, es sei ein Abschnitt außerhalb der Stichprobe...... Wo ist die Passform? Dies ist genau das hohe Maß an Verallgemeinerung, wenn alles.....
Nun, hier ist eine Rückwärts- und Vorwärtsbetrachtung nach Monaten
Weiß jemand, was mit dem Netzwerk passiert, wenn die Anzahl der Trainingsbeispiele pro Klasse unterschiedlich ist? Ich habe gesehen, dass dies zu Verzerrungen führt und das Netzwerk nur noch eine Klasse produziert, und dass eine Angleichung der Anzahl der Klassen die Situation korrigiert. Und dass eine Angleichung der Anzahl der Beispiele nach Klassen die Situation korrigiert.
Aber ich möchte verstehen, was der Grund dafür ist?
Ein Mann, der z. B. 100 Katzen und 2 Hunde gesehen hat, wird den Hunden mehr Aufmerksamkeit schenken und sie mit den Worten "Oh! Etwas Neues" betrachten. Aus irgendeinem Grund sehen diese 2 Hunde für ein neuronales Netz wie Katzen aus. Quantität verdirbt also die Qualität.
Eine zu geringe Anzahl von Beispielen einer der Klassen erlaubt es nicht, ein einziges Neuron/eine einzige Verbindung für ihre Definition zuzuordnen? Bei Softmax wird das Ausgangsneuron jedoch zugewiesen, so dass keine Verbindungen zu ihm hergestellt werden.
Oder zu diesen 2 Beispielen werden 10 sehr ähnliche aus einer anderen Klasse gefunden und die Überschreibung in deren Richtung durchgeführt?
Nun, die Beispiele werden gemittelt, die zweite Klasse beginnt, weniger beizutragen
Ein weiterer neugieriger Facebook-Prophet Lib
http://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
https://github.com/doubledare704/Jupyter-bitcoin
Beispiele für Forex und Bitcoin
Wozu der Fortschritt geführt hat.
Welche Fortschritte wurden erzielt?
Seltsam, dass die Augenbrauen nicht in die Behandlung einbezogen wurden, obwohl eine Haarsträhne zur Gruppe gehört.
Nun denn, hier ist ein Rückwärts-gegen-Vorwärts des Monats, der ebenfalls prahlt.
Das ist es, wovon ich spreche... cool. Es ist durchaus möglich, auf den echten ... zu setzen.
Ich weiß nicht, was Ihre Netzwerke tun. Aber Reshetovsky, wenn Klassen sind schief. Wenn die Anzahl der Einsen und Nullen in der Ausgangsvariablen nicht gleich ist. Sie fügt der Trainings- und Teststichprobe diejenigen Klassen hinzu, die kleiner sind. Als Beispiel für Katzen und Hunde. Wenn es 100 Katzen und 2 Hunde gibt, wird die Stichprobe um 98 weitere Exemplare von Hunden ergänzt, um ein Gleichgewicht zu erreichen. Aber das Beispiel ist nicht gut, denn es gibt eine knifflige Art der Addition. Nicht einfach so. Als Ergebnis erhalten wir eine Probe von 100 verschiedenen Katzen und 100 Exemplaren von Hunden. Das war's also...