L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2301

 

Ci sono alcune caratteristiche che, stranamente, compromettono la generalizzabilità (parlo del catbust in particolare, probabilmente vale anche per altri). Sembra strano, perché basta aggiungere nuove caratteristiche, e il modello produce più errori di quelli che produceva senza di esse.

ad esempio, si è allenato su alcune miscele, poi ne ha rimosse alcune e l'accuratezza è diventata più alta

 
mytarmailS:

No, uno strato è primitivo, è solo una moltiplicazione di peso

Questa è la sua teoria.

non mio.

 
Maxim Dmitrievsky:

Ci sono alcune caratteristiche che, stranamente, compromettono la generalizzabilità (parlo del catbust in particolare, probabilmente vale anche per altri). Sembra strano, perché basta aggiungere nuove caratteristiche, e il modello dà un errore più di quanto non facesse senza di esse

Per esempio, mi sono allenato su alcuni mash, poi ne ho rimossi alcuni e l'errore è più alto

Ho descritto questo effetto molto tempo fa

https://www.mql5.com/ru/blogs/post/725189

Viene rilevato riqualificando completamente il modello.

È un rumore che disturba il vostro lavoro.

Еще про оценку предикторов
Еще про оценку предикторов
  • www.mql5.com
Пробую оценить важность предикторов для обученного леса, удаляя 1 из них и обучая лес снова. После чего из ошибки полного леса вычитаю ошибку леса c удаленным  предиктором. Если ошибка
 
elibrarius:

Molto tempo fa ha descritto un tale effetto

https://www.mql5.com/ru/blogs/post/725189

Identificato da un retraining completo del modello.

È il rumore - che si mette in mezzo.

Sì, ma qui si può vedere come le caratteristiche interagiscono. Peccato che sia legato a una specifica struttura MO

perché l'importanza può essere sottovalutata dalla multicollinearità.

Certo, non è bene armeggiare a mano quando ci sono così tanti segni
 
mytarmailS:

No, uno strato è primitivo, è solo una moltiplicazione di peso

Questa è la sua teoria.

Eccolo: il teorema di Tsybenko.

La formula presentata y = x1/x2. - è continuo e solo bidimensionale.


https://www.mql5.com/ru/code/9002

Raccomandazioni:

  • Una rete con tre strati (numLayers=3: un input, un hidden e un output) è solitamente sufficiente nella maggior parte dei casi. Secondo il teorema di Tsybenko, una rete con uno strato nascosto è in grado di approssimare qualsiasi funzione continua multidimensionale a qualsiasi grado di precisione desiderato. Una rete con due strati nascosti è in grado di approssimare qualsiasi funzione discreta multidimensionale.
Ценовой прогноз с использованием нейронных сетей
Ценовой прогноз с использованием нейронных сетей
  • www.mql5.com
Индикатор, который использует нейронные сети для прогнозирования ближайших нескольких цен открытия. Сеть обучается методом обратного распространения ошибки. Обучение проходит автоматически, результат — самообученная сеть и самообучающийся индикатор.
 
elibrario:

La formula presentata y = x1/x2. - è continuo e solo bidimensionale.

È discreto o continuo?

 
mytarmailS:

È discreto o continuo?

È continuo. Ha spazi vuoti e buchi? Hai guardato il disegno di esempio?


 
elibrarius:

Continuo. Ha degli spazi vuoti e dei buchi? Hai guardato il disegno di esempio?

Sì....

Una funzionecontinua è unafunzione che cambia senza "salti" momentanei (chiamatigap), cioè una funzione i cui piccoli cambiamenti nell'argomento portano a piccoli cambiamenti nel valore della funzione. Ilgrafico di una funzione continua è unalinea continua.

 
mytarmailS:

Sì....

Una funzionecontinua è unafunzione che cambia senza "salti" istantanei (chiamatidiscontinuità), cioè una funzione i cui piccoli cambiamenti nell'argomento risultano in piccoli cambiamenti nel valore della funzione. Ilgrafico di una funzione continua è unalinea continua.

In quale punto si rompey = x1/x2?
 
elibrarius:
Dove si interrompey = x1/x2?

x2=0