В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования. Понятие о нейронных сетях...
話を戻して、CatBoostのモデルをビジュアル化し、そのパースペクティブを分析する問題です。
トレーニングサンプルでのモデルはこんな感じです。
x軸はロジスティック関数の確率値、y軸は0.05値の区間での割合である。
- Razdel(青) - サンプルに含まれるすべての値。
- Target=1(磁石) - ターゲット1の値
- ターゲット=0(アクア) - 目標値0
- Balans+(水色) - すべての利益と損失と比較して利益につながった財務結果、この値は、グラフに合うようにスケーリングされます。
- Balans-(brick) - すべての利益と損失に関する損失につながった財務結果、この 値は、チャートに収まるようにスケーリングさ れます。
- 円 - これはスケーリングされたバランス値です - X座標のゼロ値からゼロ値に注目します - イラストレーションのために作られました
水色の縦線-最大値 Target=0
磁石縦線-最大Target=1値
赤の縦線-分類の0.5を1に、CatBoostのデフォルト0に条件分岐-わかりやすくするため。
水色と磁石の線が赤い縦線から離れれば離れるほど、モデルがクラスを分けることに自信を持っていると考えています。これは、利益と損失が異なる値を持つ可能性のあるモデルに特に関連します。例えば、あるモデルは小さな損失をうまくフィルタリングして、大きな損失では負けるかもしれませんが、分類精度値によれば0.5以上となります。
さらに、テストサンプルを見てみると
赤と磁鉄鉱という縦線が近づいたことがわかりますが、相対的な位置は変わっておらず、すでに良好です（磁鉄鉱が＜0.5のゾーンにあるのは偶然です）。バランスラインが寄ってしまったのは、残念なことです。0.5の確率の後に損失領域があり、モデルの品質が不十分であることが示唆される。
さらに、テストサンプルの結果を見ることができます。
右側（確率0.5以上）では、テストサンプルより状況が良さそうなので、テストサンプルが稀なケースで、それに似た例が学習で少なかったか、モデルの学習が十分でないことを示していると思われます。後者の仮定に有利なのは、決算がプラス であることを示すバランス線Balans+がバランス 線Balans-と 交差する領域があることで、これはある確率帯での利益と損失のデルタを示す 円を見たときにも、0.5未満の確率帯で確認 することができる。
では、検査サンプルの残高を見てみましょう。
市場の性格が変わってきたことが、チャートの2/3にはっきりと見て取れる--モデルの研究を続けるべきだろう。
そして、明らかに悪いモデルの例を挙げます。
すでにテストサンプルでは、全体が左側に強くシフトしているのがわかる。つまり、モデルはサンプルについてほとんど知らないのだ。完全性は低く、ターゲット1の蓄積のピークは確率の左部分の後ろになっている。注目すべきは、やはり学習に対する利得があることです。
試験・検査サンプルを見てみよう
すでにテストサンプルでは、確率0.5以外の線が非常に強くつながっていることがわかりますし、テストサンプルでは、バランス線がどのように入れ替わっているかを観察することができます。
基本的に私は空のネットワークを持っています （自己書き込みではなく、パッケージからのものなので、初期化できるようにトレーニングするだけ です）
どんな抽象的なものでも、どんなターゲットでも考えて、フィットネス関数を書くことができるんです。
そして、 遺伝子が ネットの重みを変え、少なくとも私 （ネット）がテストやトレーンで目標に近いものを受け取れるようにするのです。
そしてそれは、タグを作って回帰や分類を当てはめるよりも「千倍」深いものです。
mt5オプティマイザーを使ったニューロンのトレーニングを非難していた2年前に戻りましたね。
そして、そんなボツを書いていた。パラメータがたくさんある一般的な最適化です。
をご覧ください。
https://www.mql5.com/ru/articles/497
2年前にmt5 optimizerによるニューロントレーニングが非難されたとき、あなたは遡った。
そして、そんなボツを書いていた。これは、多くのパラメータを持つ一般的な最適化です。
をお読みください。
https://www.mql5.com/ru/articles/497
MAXプロフィットで試したので、他のもので鍛えることができる。
聞いてください、もしあなたがあまり怠惰でないなら、最大利益でcatbustを訓練してみてください、私はそれがそこでどのように動作するかよくわかりません
XデータとYターゲットを同時に送り込む必要があります。
もしかしたら、この「カスタマイズ」は、既存の機能の外見的な変更に過ぎないのかもしれません。
話を戻して、CatBoostモデルのビジュアライゼーションの問題ですが、その観点を分析するために。
こういう大きな研究は、ブログに書いてここにコピーしておくべきだと思うんです。半年後にはここでも見つからなくなる...。
そうかもしれませんね～、ただ私はブログを使っていないので、思いつきませんでしたが。
このグラフのポイント（1カーブあたり20ポイント）をすべてサンプルに入れ、学習してみようかと考えています。そうすれば、より高い確率で、安定性が期待できるモデルを特定できるかもしれません。
そうかもしれませんね～、ただ私はブログを使っていないので、思いつきませんでしたが。
このグラフのポイント（1カーブあたり20ポイント）をすべてサンプルに入れ、学習してみようかと考えています。そうすれば、より高い確率で、安定性が期待できるモデルを特定することができるかもしれません。
目標はどうなるのでしょうか。各例にどのように印をつけるか？それとも独学で？
目標は、検査サンプルに対するモデルの財務結果であろう。
利益を最大化するために、他のトレーニングをすることもできるんだ。
聞いて、もしあなたがあまり怠惰でないなら、最大利益でkatbustを訓練してみてください、私はそれがそこに動作することを確信していません。
XデータとYターゲットを同時に送り込む必要があります。
もしかしたら、この「カスタマイズ」はすべて、既存の機能の外観上の変更に過ぎないのかもしれません。
新しい指標を書くのが億劫で...最大限の利益ではなく、もっと意味のあるものになることは間違いないでしょう。
例：リアプノフの安定性 ))
新しい指標を書くのが億劫で...その時は間違いなく最大限の利益ではなく、もっと意味のあるものになるでしょう。
Lyapunovの安定性のように )))
平地とか密度とかいらないでしょ))。私たちのビジネスでは、それは稀なことです。
話を戻して、CatBoostのモデルをビジュアル化し、そのパースペクティブを分析する問題です。
そうですね、ディストリビューションは通常、すべてを示しています。ブーストを使わずに、サインだけで作ればいいんです。