L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3316
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Non so cosa c'è nel mio cuore, sono solo sciocchezze ancora una volta
Perché ti agiti e ti agiti?
La linea verde è una traccia, quella rossa è una convalida. Il segno con il cerchio rosso è il punto in cui il grafico dell'errore di convalida passa da un valore decrescente a uno crescente, è l'Estremo globale! - È il punto in cui bisogna interrompere l'addestramento. Vedete, la risposta semplice alla mia domanda? Qualsiasi apprendimento è l'essenza dell'ottimizzazione con la ricerca dell'estremo globale. Qualsiasi metodo di MO si riduce proprio a questo, all'ottimizzazione di una funzione di valutazione verso un estremo globale (minimizzazione della funzione di perdita o massimizzazione della funzione di valutazione). Ma voi non siete un ottimizzatore, come mai? Anche se non lo fate deliberatamente, i metodi MO lo fanno per voi.
Tutti confermano l'interpretazione errata di Sanych, secondo cui Insegna è un sinonimo di marcatura?
No, non sono la stessa cosa, non sono sinonimi.
Anche se le marcature possono fungere da insegnante, dipende dal compito. Ma è impossibile stabilire un'uguaglianza univoca tra i due.
Perché ti agiti e ti agiti?
La linea verde è una traccia, la linea rossa è la convalida. Il segno con il cerchio rosso è il punto in cui il grafico dell'errore di convalida passa da un valore decrescente a un valore crescente, questo è il Global Extreme! - È il punto in cui bisogna interrompere l'addestramento. Vedete, la risposta semplice alla mia domanda? Qualsiasi apprendimento è l'essenza dell'ottimizzazione con la ricerca dell'estremo globale. Qualsiasi metodo di MO si riduce proprio a questo, all'ottimizzazione di una funzione di valutazione verso un estremo globale (minimizzazione della funzione di perdita o massimizzazione della funzione di valutazione). Ma voi non siete un ottimizzatore, come mai? Anche se non lo fate intenzionalmente, i metodi MO lo fanno per voi.
Esempi di compiti:
Valutazione del modello:
Entrambi i tipi di apprendimento trovano applicazione nell'apprendimento automatico e la scelta dipende dal compito specifico e dai dati disponibili. A volte si utilizzano anche metodi ibridi, che combinano l'apprendimento con e senza insegnante per ottenere risultati migliori.
È chiaro che c'è qualcosa che non va.
Torniamo alle definizioni.
P.Z.
Non manca molto alla fine.
Huh. Qualcuno ha avuto un'illuminazione!
In effetti è simile, ma in MO questo grafico mostra e significa diversamente)).
Mi chiedevo se in qualche modo ne foste a conoscenza).
Questo è un grafico del modello riqualificato, nel vostro caso.
Perché "mio"? Lo fanno tutti. Se si continua ad addestrare dopo il cerchio rosso, si ottiene un modello sovrallenato. Quindi si attende per diverse iterazioni fino a quando la validità inizia a crescere per diverse iterazioni, si interrompe l'addestramento e si sceglie il risultato in cui il cerchio rosso è l'estremo globale. Si può prendere il risultato per 2, 3, 4 e più iterazioni PRIMA, ma non cambia l'essenza: è ancora necessario trovare questo estremo globale.
...
Si tratta di un grafico di trainee e convalide. La complessità non ha nulla a che fare con questo. Si tratta del fatto che qualsiasi cosa tu faccia in MO, stai cercando un estremo globale, sei un ottimizzatore, non importa quanto tu lo neghi.
Hai un modello riqualificato prima del cerchio.
Basta così, avete completamente toppato. O dimostrate il contrario, ma non con frasi di una sola parola, ma con disegni, spiegazioni.