a) トレーナーで教える b) バリデーションでの誤差を確認し，トレーナーでの誤差よりはるかに大きい場合は，誤差が同じになるまで，1に戻る（同じとはどの程度か-全体の誤差の5%か）。例：チュートリアルで15％、バリデーションで20％) c) テスト用でチェックし、最初の2つのセットと誤差が同じなら(どの程度同じか？)、モデルは安定しているので実行可能、そうでないなら忘れてもよい、とする。そして、他の予測因子を探す、フィルタリングを変更する、などです。
a) トレーナーで学ぶ b) バリデーションでの誤差をチェックし，トレーニングでの誤差よりずっと大きい場合は，誤差が同じになるまでステップ1に戻る（同じとはどの程度か，全体の誤差の5％か）．例：チュートリアルで15％、バリデーションで20％) c) テスト用でチェックし、最初の2つのセットと誤差が同じなら(どの程度同じか？)、モデルは安定しているので実行可能、そうでなければ忘れてもいい。そして、他の予測因子を探す、フィルタリングを変更する、などです。
1) データセットをトレーニング、バリデーション、テストに分割する意味を正しく理解していますか?
2) ところで、トレーニング/バリデーション/テストの誤差はどの程度を目安にすればよいのでしょうか？15/20/20%か、5/10/15%か、その他か？
3）なぜトレーニング例を混ぜることが推奨されているのか、よく理解できないのですが？とにかく各例を処理します。
ところで、トレーニング／検証／テストでは、どの程度の誤差を狙えばよいのでしょうか？15/20/20%か、それとも5/10/15%か、その他か？
以前は、そう、そんな感じでした。
エラーに関しては、仕様によります。例えば、MOやNSがトレードのエントリーを決定するのであれば、50%の誤差で十分かもしれません。例えば、成功した取引では平均2〜3pの利益を得ることができ、失敗した取引では1pの損失を得ることができます。この場合、0.5は悪い確率ではありません。
前作は、そうですね、なんとなく。
エラーに関しては、仕様によります。例えば、MOやNSがトレードのエントリーを決定するのであれば、50%の誤差で十分かもしれません。例えば、成功した取引では平均2〜3pの利益を得ることができ、失敗した取引では1pの損失を得ることができます。この場合、0.5は悪い確率ではありません。
10％までは覚えたいかもしれませんが、この数字が非現実的だと、自分の時間とCPUの時間を無駄にすることになります。例えば - あなたが達成した最高のエラーは何ですか？どのレベルで停止し、改善を求めないことができますか？
0.5はちょっと小さすぎるかも...。そして、自分が目指すべき価値観は何か、実践で本当に到達できるものは何か（他のNSの仕事ではなく、トレードのために）。
なぜなら、10％までは覚えたいが、この数字が非現実的であれば、時間とCPUを浪費することになるからだ。例えば - あなたが達成した最高のエラーは何ですか、そしてどのレベルで停止し、改善を求めないことが可能なのでしょうか？
0.5では物足りない？ふざけんなよ)ポーカーの勝率は1/9～1/6で、上手い人は必ず黒字になる、という例です。
そして、私のシステムはすべて、～0.5の確率で動作し、常にプラスになっていたのです。私の知る限り、多くのTSは0.5に近い確率で動作します。特に、オートトレードのカンファレンスで言及されました。
"それ以外は10％までトレーニングしたいが、非現実的な数字であれば" - 現実的か非現実的かは、特定のタスクに依存します。例えば、NSにMAをクロスさせることを教えたので、ほぼ100％信頼できます））。
0.5では物足りない？ふざけんなよ)ポーカーの勝率は1/9～1/6で、上手い人は必ず黒字になる、という例です。
そして、私のシステムはすべて、～0.5の確率で動作し、常にプラスになっていたのです。私の知る限り、多くのTSは0.5に近い確率で動作します。特に、オートトレードのカンファレンスで言及されました。
"それ以外は10％までトレーニングしたいが、非現実的な数字であれば" - 現実的か非現実的かは、特定のタスクに依存します。例えば、NSにMAをクロスするように教えたことがありますから、ほぼ100％信頼できます））。
実際、何も予測することはできません。
実際、何も予測することは不可能です。FX市場で価格がどこに行くかは誰にも分かりませんが、それを知っているのはインサイダー、操り人形師だけです。
1) データセットをトレーニング、バリデーション、テストに分割する意味を正しく理解していますか?
2) ところで、トレーニング/バリデーション/テストの誤差はどの程度を目安にすればよいのでしょうか？15/20/20%か、5/10/15%か、その他か？
3）なぜトレーニング例を混ぜることが推奨されているのか、よく理解できないのですが？とにかく各例を処理していきます。
1）すべてではなく、これは基本的なことです。
1つの大きなファイルを撮影します。不等辺に2分割する。
大きいほうは、おっしゃるように分かれています。ほぼ等しいはずの誤差を得ることができる。
その後、ファイルの2番目の部分でモデルを確認します。この部分の誤差は、またしてもあまり変わらないはずです。
これは、ペロブチネス（過剰適合）がないことの最も重要な証明である。
誤差の大きさは？これは、予測変数の集合から導かれる定数の一種で、モデルのタイプに適合させることで削減することができる。
例えば、こんな感じです。
4つの誤差がすべて35％前後だとすると、モデルを選択することで、神に誓って誤差を30％に減らすことができます。
PS.
10％以下の誤差は、明らかにオーバートレーニングのサインです。このようなエラーが発生した場合は、100回ほどダブルチェックをする必要があります。
ALGLIBのバリデーションセクションで早い段階で停止しているのを発見しました。
コードから判断すると、学習部と検証部の誤差を比較せず、検証部で誤差が最小になるように検索しているようです。そして、30回繰り返してより良いものが見つからなかった場合、あるいはすべての繰り返しが経過した場合に停止します。
でも、この方法がいつもより良いのか／正確なのか、よくわからない...。トレーニングのサイクル数を数倍にしない限りは...。
これが、私たちが手に入れたものです。
検証プロットへの適合があったように感じます。テストの方は概ね成功しているのですが、トレーニング中ではなかったので比較されておらず、おそらく偶然でしょう。
このFはアンサンブルを数えていて、2/3分割で両方のプロットですべてが混在しているのですが、私もそうしてみようと思います......。
シャッフルした。
ミキシングにより、トレーニング部とバリデーション部で誤差が均等化される。
実際の取引では、バーは独自の順序で進み、1時間前や1日前のバーと混ざらないのに、何かおかしいと思う。
そして、市場の「本質」が変われば、私たちは学び直したり、新しいNSモデルを探したりしなければならないということです。
実は可能なんです。予測やテイクで0.5と、神の意思で50/50は違う))- すなわち、予測なし。全く別のコインをはじいているのです))
1）全てではなく、基本的なことです。
1つの大きなファイルを撮影します。不等辺に2分割する。
大きい方のパーツを、ご説明した方法で分割します。ほぼ等しいはずの誤差を得ることができる。
その後、ファイルの2番目の部分でモデルのチェックが行われます。この部分の誤差は、またしてもあまり変わらないはずです。
これは、フェザリング（オーバーフィット）がないことの最も重要な証明です。
トレーニング/バリデーションのサイクルは何回必要ですか？どこにも情報がないんだけど...。合計で1サイクル？- その直後に、予測因子セットやネットワークスキームの何かを承認したり変更したりするのですか？より正確には、Nサイクルのトレーニングのために、我々は1つの最高のものを表示されます。