トレーディングにおける機械学習:理論、モデル、実践、アルゴトレーディング - ページ 377 1...370371372373374375376377378379380381382383384...3399 新しいコメント Maxim Dmitrievsky 2017.05.26 17:07 #3761 ウラジミール・ペレヴェンコtrain/test/validに分割した後、trainを混ぜる。残りのセットはシャッフルしないでください。 これは、ニューラルネットワークによる分類にも有効である。また、ディープニューラルネットワークの学習では、すべてのミニバッチを混ぜてから投入します。グッドラック 混合について、どこで読んだらいいか教えてください。 直感的に意味がないので)また、予測因子とターゲットの相関(これで、かろうじて解決しました)。 Forester 2017.05.26 19:23 #3762 ウラジミール・ペレヴェンコtrain/test/validに分割した後、trainを混ぜる。残りのセットはシャッフルしないでください。 これは、ニューラルネットワークによる分類にも有効である。さらに、ディープニューラルネットワークの学習では、ニューラルネットワークに投入する前に、各ミニバッチをシャッフルする。グッドラックALGLIBのアンサンブル計算機能で、trainとvalidを混在させる例を見つけました。どうやら、方法の一つであるようだ。 電車だけシャッフルしました。学習時の平均誤差(80.0%) =0.396 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(20%)=0.391 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.395 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 テスト時の平均誤差(20%) area=0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6誤差は全区間で同じで、列車と有効を混在させた場合と同じです。どうやら効果は同じようです。 СанСаныч Фоменко 2017.05.26 19:49 #3763 エリブラリウスALGLIBのアンサンブル計算機能で、trainとvalidを混在させた例を見つけました。どうやら手法の一つであるらしい。 電車だけシャッフルされる。学習時の平均誤差(80%) plot =0.396 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(20%)=0.391 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.395 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6 テスト時の平均誤差(20%) section =0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6誤差は全区間で同じで、列車と有効を混在させた場合と同じです。どうやら効果は同じようです。 これらとは別のファイルでのエラーは何ですか? Forester 2017.05.26 20:02 #3764 サンサニッチ・フォメンコ これらとは別のファイルでのエラーは何ですか?テスト用ということですか?テスト 時の平均誤差(20%) section =0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6test2のプロットはまだ作っていません。test1だけふるい落とします。(将来的にかもしれませんが)。 СанСаныч Фоменко 2017.05.26 20:23 #3765 エリブラリウステストサイトでということですか?テスト 時の平均誤差(20%) section =0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6まだtest2のプロットは作っていません。test1だけふるい落とします。(将来的にかもしれませんが)。 これらすべてのサンプルの外 Forester 2017.05.26 20:23 #3766 サンサニッチ・フォメンコ これらすべてのサンプルの外 外にはない、すべてのデータが使われている。 СанСаныч Фоменко 2017.05.26 20:26 #3767 エリブラリウス 箱から出しても、すべてのデータが使われている。 ソースファイルを80/20に分割することは可能ですか?そして、全エクササイズの80%、そして20%をミキシングなしで。 Forester 2017.05.26 20:37 #3768 サンサニッチ・フォメンコ ソースファイルを80/20で割り切れるか?そして、全エクササイズの80%、そして20%をミキシングなしで行います。ミキシングで。学習時の平均誤差(51.0%) section =0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(13.0%) =0.685 (68.5%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 テスト時の平均誤差 (16.0%) section =0.661 (66.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差 2 (20.0%) =0.671 (67.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6攪拌せずに学習時の平均誤差(51.0%) plot =0.516 (51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(13.0%) =0.376 (37.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.491 (49.1%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差(16.0%) =0.344 (34.4%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差 2 (20.0%) =0.326 (32.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6わずか2サイクルの再トレーニングで、スピードアップを実現...。ねんねこ) Machine learning in trading: Money management strategies. Martingale. FOREX - Trends, Forecasts СанСаныч Фоменко 2017.05.27 06:57 #3769 エリブラリウスシャカシャカと。学習時の平均誤差(51.0%) plot =0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(13.0%) =0.685 (68.5%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 テスト時の平均誤差 (16.0%) section =0.661 (66.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差 2 (20.0%) =0.671 (67.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6攪拌せずに学習時の平均誤差(51.0%) plot =0.516 (51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 検証プロットの平均誤差(13.0%) =0.376 (37.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 フルプロット(トレーニング+バリデーション)。 平均学習誤差=0.491 (49.1%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差(16.0%) =0.344 (34.4%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6 テストサイトでの平均誤差 2 (20.0%) =0.326 (32.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6わずか2サイクルの再トレーニングで、スピードアップを実現...。ねんねこ) あなたのモデルは何も学んでいない-すべて球場からです。どこかで何かを拾ってきては、それが無関係であることが判明する。データマイニングから始めるターゲット、次にターゲットに関連する予測因子を検索し、次に選択された予測因子の特定のターゲットに対する予測能力を決定し、その時だけモデルそれ以外は、すべて数字の知的ゲームです。 Maxim Dmitrievsky 2017.05.28 02:22 #3770 https://www.youtube.com/channel/UCLk-Oih8VlqF-StidijTUnw週末にやることがあるようです :) ar for nubasそして、こちらはアルゴリズム取引をしている人です。 Основы анализа данных www.youtube.com Канал содержит курсы по анализу данных. Все курсы бесплатны и легки в освоении Прохожу обучение в бесплатной школе Дениса Коновалова http://superpartnerka.bi... 1...370371372373374375376377378379380381382383384...3399 新しいコメント 理由: キャンセル 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
train/test/validに分割した後、trainを混ぜる。残りのセットはシャッフルしないでください。
これは、ニューラルネットワークによる分類にも有効である。また、ディープニューラルネットワークの学習では、すべてのミニバッチを混ぜてから投入します。
グッドラック
混合について、どこで読んだらいいか教えてください。 直感的に意味がないので)また、予測因子とターゲットの相関(これで、かろうじて解決しました)。
train/test/validに分割した後、trainを混ぜる。残りのセットはシャッフルしないでください。
これは、ニューラルネットワークによる分類にも有効である。さらに、ディープニューラルネットワークの学習では、ニューラルネットワークに投入する前に、各ミニバッチをシャッフルする。
グッドラック
ALGLIBのアンサンブル計算機能で、trainとvalidを混在させる例を見つけました。どうやら、方法の一つであるようだ。
電車だけシャッフルしました。
誤差は全区間で同じで、列車と有効を混在させた場合と同じです。どうやら効果は同じようです。
ALGLIBのアンサンブル計算機能で、trainとvalidを混在させた例を見つけました。どうやら手法の一つであるらしい。
電車だけシャッフルされる。
誤差は全区間で同じで、列車と有効を混在させた場合と同じです。どうやら効果は同じようです。
これらとは別のファイルでのエラーは何ですか?
これらとは別のファイルでのエラーは何ですか?
テスト用ということですか?
テスト 時の平均誤差(20%) section =0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
test2のプロットはまだ作っていません。test1だけふるい落とします。(将来的にかもしれませんが)。
テストサイトでということですか?
テスト 時の平均誤差(20%) section =0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
まだtest2のプロットは作っていません。test1だけふるい落とします。(将来的にかもしれませんが)。
これらすべてのサンプルの外
これらすべてのサンプルの外
箱から出しても、すべてのデータが使われている。
ソースファイルを80/20に分割することは可能ですか?そして、全エクササイズの80%、そして20%をミキシングなしで。
ソースファイルを80/20で割り切れるか?そして、全エクササイズの80%、そして20%をミキシングなしで行います。
ミキシングで。
学習時の平均誤差(51.0%) section =0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
検証プロットの平均誤差(13.0%) =0.685 (68.5%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
フルプロット(トレーニング+バリデーション)。
平均学習誤差=0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
テスト時の平均誤差 (16.0%) section =0.661 (66.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差 2 (20.0%) =0.671 (67.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
攪拌せずに
学習時の平均誤差(51.0%) plot =0.516 (51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
検証プロットの平均誤差(13.0%) =0.376 (37.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
フルプロット(トレーニング+バリデーション)。
平均学習誤差=0.491 (49.1%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差(16.0%) =0.344 (34.4%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差 2 (20.0%) =0.326 (32.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
わずか2サイクルの再トレーニングで、スピードアップを実現...。ねんねこ)
シャカシャカと。
学習時の平均誤差(51.0%) plot =0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
検証プロットの平均誤差(13.0%) =0.685 (68.5%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
フルプロット(トレーニング+バリデーション)。
平均学習誤差=0.683 (68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
テスト時の平均誤差 (16.0%) section =0.661 (66.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差 2 (20.0%) =0.671 (67.1%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
攪拌せずに
学習時の平均誤差(51.0%) plot =0.516 (51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
検証プロットの平均誤差(13.0%) =0.376 (37.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
フルプロット(トレーニング+バリデーション)。
平均学習誤差=0.491 (49.1%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差(16.0%) =0.344 (34.4%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
テストサイトでの平均誤差 2 (20.0%) =0.326 (32.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
わずか2サイクルの再トレーニングで、スピードアップを実現...。ねんねこ)
あなたのモデルは何も学んでいない-すべて球場からです。どこかで何かを拾ってきては、それが無関係であることが判明する。
データマイニングから始めるターゲット、次にターゲットに関連する予測因子を検索し、次に選択された予測因子の特定のターゲットに対する予測能力を決定し、その時だけモデル
それ以外は、すべて数字の知的ゲームです。
https://www.youtube.com/channel/UCLk-Oih8VlqF-StidijTUnw
週末にやることがあるようです :) ar for nubas
そして、こちらはアルゴリズム取引をしている人です。