L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 640
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
Sérieusement, ne fais pas d'histoires, Mikhail. Le moment est crucial. Si cette idée, quelle qu'en soit la raison (qu'il s'agisse d'un manque de compétences ou d'une stupidité totale face aux nouvelles opportunités), ne fonctionne pas, alors la suivante s'abattra sur la communauté des traders très, très vite. J'en suis sûr.
Voici les sept de moi !!!! Et marquez ce jour sur votre calendrier avec un crayon rouge, car c'est le jour où j'ai téléchargé R et où je vais le faire tourner petit à petit...
Sur Sensei, un cadeau des garçons)))) h2o.automl.
Le cliquetis est moyen, mais tout est sur automl...
http://playground.tensorflow.org
visualisation de l'apprentissage des NS, semble être juste pour le plaisir ou comme exemple d'enseignement
quelque chose qu'elle a clairement du mal à classer la spirale :)
Et une telle architecture peut déjà
c'est comme Poincaré - si l'espace des caractéristiques est incohérent, il faut au moins 2 couches, il y a déjà eu une question à ce sujet de la part d'elibrarius.
Et cette architecture peut déjà
De même, ralentissez la vitesse d'apprentissage lorsque le réseau commence à vibrer.
J'ai joué avec ce truc l'été dernier. C'est très visuel).
Maxim, qu'en est-il de la sélection des caractéristiques ? Aye-aye.
De même, ralentissez la vitesse d'apprentissage lorsque le réseau commence à vibrer.
L'été dernier, j'ai joué avec ce truc. Une chose très illustrative).
Oui, si vous mettez les sinus, ça peut être avec 1 couche.
EMVC ne fait pas ce que je voulais, il ne fait pas ce qu'il semble faire à la lecture superficielle de la description.
EMVC prend une table avec des prédicteurs et des cibles (classes uniquement. La régression n'est pas autorisée), et calcule la probabilité que chaque exemple d'apprentissage appartienne réellement à une classe donnée. Il est possible de trouver les lignes du tableau de formation qui contredisent la majorité des exemples de formation (valeurs aberrantes, erreurs) et de les supprimer pour éviter de perturber le modèle en formation.
J'étais censé trouver un ensemble de prédicteurs qui donnerait les estimations de probabilité les plus élevées, mais les ensembles de prédicteurs trouvés n'étaient pas satisfaisants. Je n'expérimenterai pas cette méthode, il existe de meilleurs outils pour sélectionner les prédicteurs. Je ne peux pas voir l'estimation de l'entropie croisée, le paquet l'utilise en quelque sorte en interne mais ne renvoie pas cette réponse à l'utilisateur.
Mais il existe un outil intéressant pour trier les exemples de formation plutôt que les prédicteurs.
EMVC ne fait pas ce que je voulais, il ne fait pas ce qu'il semble faire à la lecture superficielle de la description.
EMVC prend une table avec des prédicteurs et des cibles (classes uniquement. La régression n'est pas autorisée), et calcule la probabilité que chaque exemple d'apprentissage appartienne réellement à une classe donnée. Il est possible de trouver les lignes du tableau de formation qui contredisent la majorité des exemples de formation (valeurs aberrantes, erreurs) et de les supprimer pour éviter de perturber le modèle en formation.
J'étais censé trouver un ensemble de prédicteurs qui donnerait les estimations de probabilité les plus élevées, mais les ensembles de prédicteurs trouvés n'étaient pas satisfaisants. Je ne vais pas faire d'expérience dans ce domaine, il existe de meilleurs outils pour sélectionner les prédicteurs. Je ne peux pas voir l'estimation de l'entropie croisée, le paquet l'utilise en quelque sorte en interne mais ne renvoie pas cette réponse à l'utilisateur.
Mais au moins, nous avons obtenu un outil intéressant pour éliminer les exemples de formation plutôt que les prédicteurs.
C'est dommage.
Une fois de plus, vous avez prouvé l'idée que les miracles n'existent pas, qu'il faut tout reprendre à zéro.
Vous pouvez ainsi trouver des lignes dans le tableau d'entraînement qui contredisent la plupart des autres exemples d'entraînement (pics, erreurs), et les supprimer pour éviter de perturber le modèle pendant l'entraînement.
Cela a-t-il vraiment de l'importance sur des données Forex où les régularités sont difficiles à trouver ? Je pense que nous pouvons passer au crible la moitié des exemples avec ce programme. Et les valeurs aberrantes peuvent être recherchées avec des méthodes plus simples : ne pas les supprimer, mais, par exemple, les ramener à un maximum admissible.