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

[Maxim Dmitrievsky]

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]

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]

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]

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=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）。

[СанСаныч Фоменко]

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]

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]

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]

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）

[СанСаныч Фоменко]

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]

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。