L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 96
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Les données sur les pétales d'iris ne sont pas un signal, ce tableau ne convient pas du tout pour un test d'avant-corps. Seule une série chronologique convient à un lot, où vous recevez de nouvelles valeurs à certains intervalles et les combinez en un vecteur. Pour cette raison, vous ne pouvez pas modifier l'ordre des lignes dans le tableau de données pour foreca. Et vous ne pouvez pas supprimer au hasard certaines lignes pour la validation, tout doit être dans un ordre strict - d'abord les données pour la formation, puis les données pour la validation. Pas d'échantillon.
La meilleure chose à faire avec l'iris est d'utiliser le nombre maximum de composants min(dim(forec.dt)) = 14, mais je pense que la précision sera toujours inférieure à 100%.
La meilleure chose à faire avec l'iris est d'utiliser le nombre maximum de composants min(dim(forec.dt)) = 14, mais je pense que la précision sera toujours inférieure à 100%.
Les données sur les pétales d'iris ne sont pas un signal, ce tableau ne convient pas du tout pour un test d'avant-corps. Seule une série chronologique convient à un lot, où vous recevez de nouvelles valeurs à certains intervalles et les combinez en un vecteur. Pour cette raison, vous ne pouvez pas modifier l'ordre des lignes dans le tableau de données pour foreca. Et vous ne pouvez pas supprimer au hasard certaines lignes pour la validation, tout doit être dans un ordre strict - d'abord les données pour la formation, puis les données pour la validation. Pas d'échantillon.
La meilleure chose à faire avec l'iris est d'utiliser le nombre maximum de composants min(dim(forec.dt)) = 14, mais je pense que la précision sera toujours inférieure à 100%.
Je pense que le post sur les iris est très important.
Le fait est que le rf est phénoménalement enclin au surentraînement.
Et là, il s'avère que le foreCA n'a pas une telle propension. Il s'agit donc d'un paquet très utile.
Je trouve le post sur les iris très important.
Le fait est que la rf est phénoménalement encline au sur-apprentissage.
Et là, il s'avère que le foreCA n'a pas cette tendance. Il s'agit donc d'un paquet très utile.
Même si elle est surentraînée, si vous ajoutez 10 colonnes avec des valeurs aléatoires à 4 prédicteurs pour l'iris, la forêt prédit toujours les nouvelles données avec une précision de presque 100 %. Je suis surpris, et heureux que la forêt se soit bien portée. Je n'ai jamais fait une telle expérience moi-même, je la garderai à l'esprit pour l'avenir.
A son tour, j'ai appelé tous les prédicteurs bruit avec une prévisibilité ~ 1% (à la fois les longueurs de lobe et les prédicteurs de valeurs aléatoires), et j'ai essayé d'extraire un certain signal de tout cela. Je pense qu'il est inutile d'extraire le signal d'endroits où il ne devrait pas y en avoir, cette expérience n'apprend rien à foreca.
Quels sont vos résultats avec BP là-bas ?
Le modèle est encore en phase d'apprentissage. J'ai probablement alimenté trop de données, mais je ne veux pas l'annuler, le laisser fonctionner jusqu'au bout, je vais le laisser. Puis j'écrirai sur les résultats quand ce sera terminé.
Je ne veux certainement pas m'avancer, mais Reshetov a fait une chose tellement cool dans la nouvelle version..... . Vous ne devriez pas le critiquer. .....
Des discussions cool sur des trucs cool...
Et verrons-nous au moins une comparaison avec ce qui est généralement accepté et connu et reconnu ?
Des discussions cool sur des trucs cool...
Verrons-nous ne serait-ce qu'une comparaison avec ce qui est généralement accepté et connu et reconnu ?
Bien que la forêt se réapprenne, si nous ajoutons 10 colonnes supplémentaires de valeurs aléatoires aux 4 prédicteurs Iris, la forêt prédit toujours les nouvelles données avec une précision de presque 100 %. Je suis surpris, et heureux que la forêt se soit bien portée. Je n'ai pas fait cette expérience moi-même, mais je la garderai à l'esprit pour l'avenir.
Oui, je suis moi-même surpris qu'il ait si brillamment ignoré le bruit et différencié les prédicteurs. Je n'ai jamais fait cela non plus, j'étais curieux. ....
Donc, jusqu'à aujourd'hui, je n'avais absolument aucune confiance dans la fonction d'importense.
mais ça m'a permis d'y croire.