Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3353
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Schubladendenken ist in. Es handelt sich nicht um solche Wahrscheinlichkeiten, sondern sie werden so genannt, weil der Löß fi verwendet wird, um die Wahrscheinlichkeit zu schätzen.
Es gibt keinen anderen Weg, darüber nachzudenken! Wir verwenden handelsübliche MO-Algorithmen, die von einer Reihe zusätzlicher Funktionen begleitet werden. Alles zusammen wird als "Paket" bezeichnet.
Was sind"echte Klassenwahrscheinlichkeiten"? Zum Beispiel liefert die Funktion
gibt "Wahrscheinlichkeitsklassen-Schätzungen" zurück. Der Algorithmuskann keine anderen Wahrscheinlichkeiten als "Schätzungen" enthalten.Nicht streiten, Leute, wir lesen euch.
Öffnet die Schlösser ;)
Es gibt keinen anderen Weg des Denkens! Wir verwenden fertige MO-Algorithmen, die von einer Reihe von Zusatzfunktionen begleitet werden. Alles zusammen wird ein "Paket" genannt.
Was sind"echte Klassenwahrscheinlichkeiten"? Zum Beispiel liefert die Funktion
gibt"Wahrscheinlichkeitsklassen-Schätzungen" zurück. Andere Wahrscheinlichkeiten als "Schätzungen" kann der Algorithmus nicht enthalten.Es scheint, dass es nicht um eine Punktschätzung der Wahrscheinlichkeit geht, sondern um ihre Intervallschätzung. Für Matstat ist dies ein üblicher Ansatz - nicht nur um eine bestimmte numerische Schätzung der Wahrscheinlichkeit zu erhalten, sondern auch um ein Intervall zu erhalten, in das der wahre Wert dieser geschätzten Wahrscheinlichkeit mit einer bestimmten Genauigkeit (Wahrscheinlichkeit) fällt. Hier gibt es einige Verständnisschwierigkeiten, da der Begriff der Wahrscheinlichkeit an zwei verschiedenen Hypostasen beteiligt ist - sowohl der geschätzte Wert selbst als auch die Genauigkeit seiner Schätzung. Und das sind ganz unterschiedliche Wahrscheinlichkeiten)
Ich habe mich zwar nicht eingehend mit der konformen Vorhersage befasst, aber vielleicht irre ich mich ja.
Die Frage ist nicht, was er tun kann. Es geht darum, wie man zuverlässige Klassenwahrscheinlichkeiten erhält. So dass man sicher sein kann, dass bei einer Klassenwahrscheinlichkeit von 0,8 80 % der Fälle richtig vorhergesagt werden. Und man könnte zum Beispiel einen Schwellenwert verwenden. Das Ergebnis des Klassifikators stimmt in den meisten Fällen nicht, ich wiederhole es noch einmal. Entweder über- oder unterschätzt er "absichtlich". Deshalb funktioniert der Schwellenwert nicht. Echte Wahrscheinlichkeiten liegen vor, wenn sie weder über- noch unterschätzt werden.
Das ist nicht das, was Sie haben. Die angegebene Zahl von 0,8 ist eine der Klassenwahrscheinlichkeiten. Hier ist ein Histogramm der Klassenwahrscheinlichkeiten.
Und ich habe es genau so und nicht anders, denn wenn es anders ist, bedeutet es Übertraining. Für mich ist bei einem festen Schwellenwert die Nichtübereinstimmung des Vorhersagefehlers in der OOV- und OOS-Datei sowie in der VNE-Datei das wichtigste Anzeichen für Übertraining. Bei mir funktioniert der Schwellenwert gut. Und "echte Wahrscheinlichkeiten" sind eine Fiktion, die nichts mit dem tatsächlichen Code und der in diesem Fall verwendeten Terminologie zu tun hat.
Sie irren sich. Die angegebene Zahl von 0,8 ist einer der Werte für die Klassenwahrscheinlichkeit.
Ich habe es genau so und nicht anders, denn wenn es anders ist, bedeutet das Übertraining. Für mich ist bei einem festen Schwellenwert die Nichtübereinstimmung des Vorhersagefehlers in der OOV- und OOS-Datei sowie in der VNE-Datei das wichtigste Anzeichen für Übertraining. Bei mir funktioniert der Schwellenwert gut. Und "reale Wahrscheinlichkeiten" sind eine Fiktion, die nichts mit realem Code und der dafür verwendeten Terminologie zu tun hat.
Es scheint, dass es nicht um eine Punktschätzung der Wahrscheinlichkeit geht, sondern um ihre Intervallschätzung. Für Matstat ist dies ein üblicher Ansatz - nicht nur um eine bestimmte numerische Schätzung der Wahrscheinlichkeit zu erhalten, sondern auch um ein Intervall zu erhalten, in das der wahre Wert dieser geschätzten Wahrscheinlichkeit mit einer bestimmten Genauigkeit (Wahrscheinlichkeit) fällt. Hier gibt es einige Verständnisschwierigkeiten, da der Begriff der Wahrscheinlichkeit an zwei verschiedenen Hypostasen beteiligt ist - sowohl der geschätzte Wert selbst als auch die Genauigkeit seiner Schätzung. Und das sind ganz unterschiedliche Wahrscheinlichkeiten)
Allerdings habe ich mich nicht eingehend mit der konformen Vorhersage befasst, und ich kann mich irren.
Wie haben Sie festgestellt, dass Ihre Schwelle perfekt funktioniert?
Übereinstimmender Vorhersagefehler bei ALE und OOS sowie bei der ANS-Datei
Wie haben Sie festgestellt, dass der Klassifikator die richtigen Wahrscheinlichkeiten angibt? Nicht nur die Werte im Bereich. Lesen Sie, was Ihnen geschrieben wird?
Die Wahrscheinlichkeiten von Modellen werden durch Statistiken über die Trainingsstichprobe angegeben.
Dementsprechend sind sie ohne eine repräsentative Stichprobe nicht genau, also finde dich damit ab :)
Entweder Sie finden heraus, woraus das Modell besteht, und gewichten die Blätter nach dem von Ihnen entwickelten Algorithmus neu...