ディープラーニング 発行年：2018年 著者：Nikolenko S. I., Kadurin A.A., Arkhangelskaya E.O. ジャンル・テーマ：ニューラルネットワーク 出版社： Peter シリーズ： Programmer's Library ISBN： 978-5-496-02536-2 言語： ロシア 語 Format: PDF Quality: Recognized text with errors (OCR) Interactive table of contents: None Number of pages: 479
7割くらいは適切な予測をしていたように記憶しています。上の書き込みをしたのは私です。
まあ、正解率70％なんて全然大したことないんですけどね。その70％の正解者のうち、少なくとも3分の1程度はトレードに参入しています。残るは23％です。30％の間違った予測（正しいか間違っているかは事前にわからない）に対して何もない。そして、間違った予測はそのまま変曲点（方向転換点）にあり、その部分はまさにトレードに最適な場所なのです。
その上で、予測することは無駄であり、むしろ分類することが重要だと考えています。つまり、ある瞬間が取引をするのに適しているかどうかを判断することです。模型を使うと入り口誤差が20-40%になります。このトピックで以前に述べた正確な数字です。
分類とは、クラスへの所属を予測すること、あるいは所属する確率を予測することである。
回帰と同じ効果があり、そこからメンバーシップを抽出することもできます。
非定常性の問題はMOとは関係ないと説得された。NSと付き合いのない私には、彼の意見に反論する論拠がない。さらに、NSを除く様々な木などが非定常予測因子で完全に機能するという直感的な理解もあった。
私は、価格の動きには何らかの規則性があり、それは非マルコフプロセスであるという公理に依存しています。そして、MOを使って探すようにしています。
様々なモデルは、確かに小麦と籾殻を分離し、ノイズとディーリングセンターによる意図的な歪みからなる価格の流れの中に規則性を見出すことができます。
問題は、モデルが単に初期例を記憶するのではなく、非定常性を克服した後に、すべてのノイズの中から安定したパターンを見つけ出すような、モデル学習のためのパラメータ（ニューロンでは重みの数、学習速度など、森では例えば木の数など）を見つけることです。複数回のクロスバリデーションにより、モデル学習のための良いパラメータを見つけることができる。
その結果、私のモデルは、トレーニングデータと新しいデータの両方で、非常に小さいながらも肯定的な結果を示しました（R2 ~0.003）。でも、まだスプレッドには勝っていないんです。
私は、物価の動きには永久的なパターンがあり、それは非マルコフ的なプロセスであるという公理に依拠しています。そして、MOを使って探すようにしています。
様々なモデルによって小麦と籾殻を分け、ノイズやディーリングセンターによる意図的な歪みからなる価格の流れのパターンを見つけることができます。
問題は、モデルが単に初期例を記憶するのではなく、非定常性を克服した後に、すべてのノイズの中から安定したパターンを見つけ出すような、モデル学習のためのパラメータ（ニューロンでは重みの数、学習速度など、森では例えば木の数など）を見つけることです。複数回のクロスバリデーションにより、モデル学習のための良いパラメータを見つけることができる。
その結果、モデルは訓練データと新しいデータの両方で、非常に小さいながらも肯定的な結果を示しました（R2 ~0.003）。でも、まだスプレッドには勝っていないんです。
私も当選していませんし、今のところ光はありません。しかし、このシステムはFORTSで動作します。
SanSanychは1時間先を予測する。彼はこの普及を気にしていない)
分類問題には非定常性の問題はない。回帰の問題にはリアルです。
予報と予測を混同しないでください。予想することと、予測することは別物です。結果としての予測は、信頼区間 付きの数値である。分類は、例が属するクラス、クラスが属する確率、クラスが属するという仮説の裏付けを予測するものである。
グッドラック
分類問題には非定常性の問題はない。回 帰の問題にはリアルです。
予報と予測を混同しないでください。予想することと、予測することは別物です。結果としての予測は、信頼区間 付きの数値である。分類は、例が属するクラス、クラスが属する確率、クラスが属するという仮説の裏付けを予測するものである。
グッドラック
どういう意味だ、そんなバカな話がどこにある？:)
そんなバカな話、どこで読めるんだ？:)
あなたにとって不条理に思えることは何ですか？
非定常性のため、予測変数とクラス予測の間のパターンが、予測の場合と同じように壊れること。
非定常性により、予測変数とクラス予測の間のパターンが、予測の場合と同じように壊れること。
例を示してもらえますか？それとも、これは推測の結論なのでしょうか？
NN/DNNを用いた分類に関する数多くの文献のどこにも、非定常性が影響する要因として言及されていない。私の数々の実験でも、同じことが言えます。
もちろん、あなた自身の意見を持つことは自由です。
グッドラック
例を示してもらえますか？それとも、これは推測の結論なのでしょうか？
NN/DNNを用いた分類に関する数多くの文献のどこにも、影響を及ぼす要因として非定常性について言及されていない。私の数々の実験でも、同じことが言えます。
もちろん、あなた自身の意見を持つことは自由です。
グッドラック
そして、分類か回帰か...どんな違いがあるのでしょう？
ディープラーニングに関する新鮮な良書があります。残念ながらオープンにリンクは張れません。rutracker.orgに掲載されています。
ディープラーニング
発行年：2018年
著者：Nikolenko S. I., Kadurin A.A., Arkhangelskaya E.O.
ジャンル・テーマ：ニューラルネットワーク
出版社： Peter
シリーズ： Programmer's Library
ISBN： 978-5-496-02536-2
言語： ロシア 語
Format: PDF
Quality: Recognized text with errors (OCR)
Interactive table of contents: None
Number of pages: 479