Finding complex chart patterns has never been an easy task. This article will give you a simple indicator for complex chart pattern recognition. You will have the freedom to detect any pattern with any pattern length. Not just 2-bar candlestick formations, but complex stuff like V-Tops spread over 20 bars. Defining a chart pattern I am using a...
トレーニングを実施したサンプルからの指標。
トレーニング以外のサンプルはどうなっていますか？例えばこれから6ヶ月間？
つまり、loglossが〜1であり、モデルは何が起こっているのか全く分からない状態なのです。
目が見えないんだけど、負のログロスはどこ？モデル全体のloglossを指定しました。
個々の入力に対して個別のloglossを求めたいのですか？つまり、シート値と目標値との間の情報量？
loglossが正しいのかどうか、私は質の高い情報を見つけたいのですが、loglossはモデル全体の量を求めているので、量でもいいのかもしれませんね〜。何かいい方法はないでしょうか？
何もしない」クラスは、他のクラスに比べて明らかにバランスが悪いので、上に書いたような3クラスモデルだからこその問題かもしれませんね。それ以外の指標は憂慮すべきものです。
ああ、アンバランスだな、でも仕方ないか...。もちろん、サンプルをベクトルに分割して2つのサンプルを作成することもできますが、その場合にも有用な情報の一部が失われてしまいます。一般的に、サンプルのバランスが悪いというのは同意だが、情報を失わないようにするにはどうすればいいのかわからない。 少ないターゲット数でラインを複製してみましたが、効果はマイナスです。
私は盲目なのですが、負のログロスはどこにあるのでしょうか？モデル全体のloglossを指定しました。
loglossが何なのかよくわからない、私は質の高い情報を見つけたい、loglossはむしろモデル全体の量を求めている、量でもいいのかもしれない-わからない。何かいい方法はないでしょうか？
たしかにバランスは悪いけど、しょうがないよね...。もちろん、サンプルを2つに分割してベクトル化することもできますが、その場合にも有用な情報の一部が失われることになります。一般的に、サンプルのバランスが悪いというのは同意だが、情報を失わないようにするにはどうすればいいのかわからない。少ないターゲット数でラインを複製してみたが、効果はマイナスである。
負の値ではないが、1に近い値、すなわち最大値である。ゼロになる傾向があるはずです。
loglossは、大雑把に言うと、特徴量がターゲットとどの程度相関しているかを示しています。1は全く記述がない、つまり全く情報がない。これは、相関が全くないかどうかを教えてくれるという意味で、良い指標だと思います。全く相関が取れていませんね。
3じゃなくて普通に2クラスにしてくれよ。
そして、トレーニング以外のサンプルでは、？例えばこれから6ヶ月間？
そして、トレーニング以外でのサンプリングも...。していない、2019年3月1日頃のトレーニング、2014年の情報を全て使うべきと判断した。
しかし、これらの木が何を与えるかを自分の目で確かめようと思い、EAに刺し、2019年3月1日から2019年9月15日まで3種類の木で3回パスを行いました。
1.最初の分割ステップ
2.第20分割ステップ
3.分割の48段階目
そして、総じて3機種とも良い結果が出ていることに、私自身驚いています
面白いことに、2ndモデルはよりスムーズに、3rdモデルはすでにプラスに這い上がろうと必死になっているのです。
興味深いことに、モデルの精度はあまり劣化せず、むしろ向上することもありました。 以下は、トレーニングサンプルに対する変化率を示した表です。
完全性や対数性については、指標をとってサンプリングをしてみないと何とも言えません。
そうですね、ほとんどのモデルはゼロを学習するときにループします。他の2つのクラスに比べてゼロが圧倒的に多いので、ゼロを見つけるのが簡単になります。
は負ではなく、1に向かって、つまり最大になる傾向がある。ゼロの方向に向かうはずです。
loglossは、大雑把に言えば、特徴量がターゲットとどの程度相関しているかを示す。つまり、0は完全な相関、つまりターゲットをよく表している。1は全く記述がない、つまり全く情報がない。これは、相関が全くないかどうかを教えてくれるという意味で、良い指標だと思います。全く相関が取れていませんね。
グレード3じゃなくて普通のグレード2にしてくれよ。
マルチクラスでのログロスは1つかな・・・。一般に、自分では計算式の実装方法がわからない--公開されているソースからは、こうした暗号が理解できないのです。そして、最終的なものでなく、サンプル全体のLoglossがどう変化し、どこがたるんでいるのかを見てみたいですね。そして、私の理解では、バランスの取れたサンプルの方が正しいのでは...と思いました。
多階級化のためのLoglossが1に相当するとは思えないのですが...。一般に、自分で計算式を実装する方法は理解できませんが......公開されているソースからは、こうした暗号を理解することはできないのです。そして、最終的なものでなく、サンプル全体のLoglossがどう変化し、どこがたるんでいるのかを見てみたいですね。そして、私の理解では、バランスの取れたサンプルでは、より大きな範囲で正しいのですが...。
私たちの頭を悩ませることはありません。yandexのような大企業がやっていることです。こうすれば大丈夫と言われる。やるだけやって、自分ではやらない。レトリックやさまざまなアプローチに溺れることになります。
グラデーションに沿って、木々を積み上げながら変化していく様子を表現していますそして、トレーニング以外でのサンプリングも...。していない、2019年3月1日頃のトレーニング、2014年の情報を全て使うべきと判断した。
しかし、これらの木が何を与えるか自分の目で確かめようと思い、EAに刺し、2019年3月1日から2019年9月15日まで3種類の木で3回パスをしました。
1.最初の分割ステップ
2.第20分割ステップ
3.分割の48段階目
そして、総じて3機種とも良い結果が出ていることに、私自身驚いています
面白いことに、2ndモデルはよりスムーズに、3rdモデルはすでにプラスに這い上がろうと必死になっているのです。
興味深いことに、モデルの精度はそれほど悪化しておらず、時には向上しています。以下は、トレーニングサンプルに対する変化率の表です。
完成度やログロスについては、指標を撮影し、サンプリングをしてみないと何とも言えません。
そして、ほとんどのモデルは、ゼロに訓練するときにループします。他の2つのクラスに比べて、このクラスが本当に優勢で、ゼロを見つけるのが簡単だからです。
これが、私が得たものです。ボットロジックを全てpythonに移行し、forestをboostに置き換えただけです。Can't find error, no peeks it seems.設定次第では、取引回数を減らしながら、アキュラスを最大0.7～0.8まで上げることが可能です。
足場の場合、誤差の範囲はほぼ同じですが、アキュラスではなく、分類の誤差です。そして、trayneでも同様の挙動をし、さらに良くなっています。でも、テストではもっとひどいんです。
を学習します。
学習は10倍大きくなる
途中には何があるのでしょうか？純粋な価格？
ぞうけい
今週末にはコネクタを完成させて、テストにかけたいと思います。モデルをクラウドにアップロードして、端末から信号を取得する予定です。モデルをクラウドに置いて、端末から信号を取得しようと思っています。MT5でクライアントを送ることができますMoDのパターンの記述方法に関するシンプルで興味深いアプローチ
https://www.quanttrader.com/index.php/a-simple-algorithm-to-detect-complex-chart-patterns/KahlerPhilipp2019