В области искусственного интеллекта , генетическое программирование ( ГП ) представляет собой метод , посредством которого компьютерные программы кодируются в виде набора генов, которые затем модифицированных (эволюционировали) с использованием эволюционного алгоритма (часто генетический алгоритм , «GA») - это применение ( например...
はい！そういうことで、他にはありません。
納得いかないけど、何も押し付けない...。
納得はいかないが、押し付けるつもりはない...。
視覚的に異なる楽器に3日間を費やすことができるのです。いずれにせよ、まずはシリーズを検証し、結論を導き出す。本番で負けを直すより、テストで理解を深める方がいいに決まってますしね（笑)。
感情抜きでテストしたほうがいい)))取引する理由が増えました))))))
正直なところ、予測因子というテーマは対象外です。モデルのロジックはもちろん、どのモデルをどのタイミングで適用するのか、その選択基準は何か。
データ作成方法の推奨は、結果とは関係ありません。これがないと始まらないが)))))
ロジックモデル、選択基準、データの準備などが重要な問題で、誰も作業的な解決策を与えることはできない。並べられると、うまくいかないんです。
人間的に良いか悪いかは関係なく、これが私たちが座っている話題のルールだと認めればいいのです。
感情抜きでテストしたほうがいい)))取引する理由が増えました))))))
正直なところ、予測因子というテーマは対象外です。モデルのロジックはもちろん、どのモデルをどのタイミングで適用するのか、その選択基準は何か。
データ作成方法の推奨は、結果とは関係ありません。もっとも、それがなければ始まらないが))))
開示されていないのはここではなく、残念ながら現状にです。作業も結論もない、結果を比較する以外に、特定のシリーズにどのモデルが良いかを判断する方法)。
モデルのロジック、選択基準、データの準備などが重要な問題で、誰も作業的な解決策を与えてはくれない。並べられたら、うまくいかない。
まあ、そういうわけでもないでしょうけど。ただ、数学的な手法があって、以前はその応用が誰にでもできるものではなかったのですが、今はそれができるようになりました。しかし、見て選び、試す以外に解決策はない。マックスプルーシビリティはもちろん手法ではあるが、主観的なものであり、問題は分析に重要なパラメータの選択の主観性にある。
ロジック、モデル、予測因子については、その応用の特徴やロジックで論じるのがよいでしょう。
効くか効かないかは関係ないんです。100％ではないことが証明されています。そして、1つでもあれば十分失敗する))))メインは手!!!!!!!もしくは尻尾)))))
をお願いします。
絶対値 で200または300。
どのレンジに興味がありますか？
それともRを少し勉強するか？）
5行のコードで、欲しいものが手に入る
誤差のバランス（正しい入力が+1、間違った入力が-1）を見るか、少なくともバランスを正規化して外れ値を減らす必要があると思います。
Rは私にとって非常に難しい作業で、MQLには見えませんし、プログラマーには程遠いのです。しかも、プログラマーでもないのに、ちゃんとしたHelpを持ってない。
サンプリング効率にご興味がおありのようですね。私もこのテーマに興味があります。特に、私よりもうまく分割を行うことが可能かどうかを理解したいです。予測値が非選択の場合と非選択の場合のサンプルを作ることができるので、パッケージの効率をチェックすることができます。
エラーバランス（正しい入力が+1、間違った入力が-1）を見るか、少なくともバランスを正規化して外れ値を減らす必要があると思います。
Rは私にとって非常に難しい作業で、MQLには見えませんし、プログラマーには程遠いのです。しかも、プログラマーでもないのに、ちゃんとしたHelpを持ってない。
サンプリング効率にご興味がおありのようですね。私もこのテーマに興味があります。特に、私よりもうまく分割を行うことが可能かどうかを理解したいです。つまり、もしパッケージが私の論理的なサンプリングよりも人工的なサンプリングの方がうまく学習できるのであれば、パッケージは人間よりも効率的であるということになります。
私もプログラマーではありませんし、ましてやC#の勉強から始めて、何もわからずあきらめ、Rに挑戦してうまくいったこともあります :)
離散化しても確かに品質は上がらない、むしろ下がる可能性が高い、要は上がり過ぎないようにすることです。
何千もの分割の範囲を持つ数値変数を、例えば20レベルしか持たないカテゴリー変数に変換する必要があります。
私は、......を繰り返すルールを生成する必要があります。
フォレストは投票の原理で動作し、出力確率はツリーの投票数の合計となります。
私もプログラマーではありません。実際、C#の勉強から始めたのですが、何も分からずあきらめ、その後Rを試したらすべてがうまくいきました :)
離散化しても確かに品質は上がらない、むしろ下がる可能性が高い、要は上がり過ぎないようにすることです。
何千もの分割の範囲を持つ数値変数を、例えば20レベルしか持たないカテゴリー変数に変換する必要があります。
私は、......を繰り返すルールを生成する必要があります。
フォレストは投票原理で動作し、出力確率は木の投票の合計である。
私の場合、離散化によって結果が改善され、そう、私の予測変数はほとんどすべて、2～20の値を持つカテゴリーに近くなっています。
実際、このようなモデルを推定するためには、投票に関わる葉の活性化点の類似性を調べ、類似したサンプル点で常に活性化している葉を除去／重み付けを解除する必要があります。そんなノイジーな木は、メモリが余っているので、物語によく合うでしょう。
理想的には、それぞれの葉に意味があり、隣の葉がそれに付け加えればよいのですが、例えば、目の前にボールがあると判断したものは、別のものがその色を決定し、ゲームの特定のタイプに属するボールを分類する、というように、異なるものを記述するのです。簡略化したものです。
樹木の指標で森を葉っぱに分解し、それぞれの葉っぱの活性化をサンプルで見て、その残骸を廃棄する。ウラジミール、あなたはそれがRでAMOを教えることが可能である方法を教えてください例えば、分類や回帰ではなく、より漠然としたもの...
私ができることは、リーディング 関数を 記述し、AMOが自ら作成したリーディング関数の中でリーディングの基準を最大化さ せることです。
それとも純粋に最適化の問題で、AMOとは関係ないのでしょうか？
1.どのようなモデルでもハイパーパラメータの最適化が必要です。デフォルトのままでは、最良の結果にはなりません。最適化を行う際には、自分にとって重要な基準を設定します。文献のすべての例において、これらの基準は統計的な指標（Acc、F1など）である。私たちの場合、これらの基準が必ずしも取引で期待される結果につながるとは限りません（奇妙に思えるかもしれませんが）。例えば、ある期間（通常1週間）のバーごとの平均報酬を最適化の基準として、またモデルのパフォーマンスの指標として使用しています。最小値（例えば4つの符号の5点）を下回らなければ、作業を続行します。もし下がっていたら、新しいデータでモデルを仕上げます。最適化はベイズのみで、変種を与える。
その過程では、市場環境の変化を考慮しながら、常にモデルを改良していかなければなりません。膨大な過去のデータでモデルを学習させ、再学習させずに長期間使えるというのは、大きな錯覚である。
2.ある機能を合成する、どんなものか分かりませんが......これは、やるかやらないか、といったところでしょうか。遺伝的プログラミングを 実装したパッケージはいくつかある。正確な名称は、現時点では不明です。しかし、これは非常に厄介なセクションです。試してみてください。
3.離散化。サンプリングの主な目的は、予測因子とターゲットの比率を可能な限り線形にすることです。そのため、当然ながら情報の損失が発生します。しかし、場合によっては、かなり良い結果が得られることもあります。
グッドラック