막심 드미트리예프스키 : 글쎄, 내가한다면, 그것은 mql의 파이썬에서 훈련 된 모델의 파서 형태가 될 것입니다. 아직 켜지지 않았지만 켜야 할 수도 있습니다.
중요하지 않습니다. Python용 모델도 저장할 수 있습니다.
막심 드미트리예프스키 : 회귀는 어떻습니까?
정지 설정 작업을 하는 모델에 유용할 수 있습니다. 예, Mashka는 때때로 12개의 막대로 예측해야 합니다. :)
막심 드미트리예프스키 : 어떤 기능/변환이 당신에게서 좋은 결과를 가져옵니까?
예측기 값의 결과는 대상에 따라 다릅니다. :) 이제 최상의 양자화 수준을 선택하기 위한 실험을 설정 중입니다. 최소 임계값을 통과하지 못한 예측기는 제거됩니다. 섣불리 말하기는 이르지만 첫 번째 결과는 긍정적이다. 프로세스는 단일 스레드에서 하루 이상 깁니다. 우리는 양자 수준을 평가하기 위해 더 많은 기준을 사용할 필요가 있습니다. 그렇게 하겠습니다. 아이디어는 신호가 있는 곳을 파헤치는 것입니다. 그런 다음 더 많은 플롯을 선택하고 샘플을 걸러내고 반응이 있는 곳에서만 연구할 것입니다. 아마도 유전자 트리가 이미 작동할 것이므로 잎을 추출할 것입니다.
막심 드미트리예프스키 : 흥미로운 일을 했습니다. 레이블이 있거나 없는 모든 데이터 세트를 변환하여 개선할 수 있습니다.
이것은 흥미롭습니다. 내가 링크를 게시했다는 사실을 시험해 볼 수 있습니다. 많은 예측자에 실제로 오류가 있지만(저장할 때 이중이 아닌 int로 작성되었습니다. 양자화를 제거하고 잊어버렸습니다) 상대적 비교에는 문제가 되지 않습니다.
그건 그렇고, 상대적으로 무거운 것을 계산해야한다면 - 계산할 수 있습니다 - 이제 기회가 있습니다.
막심 드미트리예프스키 : 단순 역상관 후에는 스프레드를 극복할 수 없지만 모델은 스프레드가 없는 새로운 데이터에 대해 더 안정적입니다. 직렬성이 검증된 모든 모델은 n.d에 스프레드 없이 쏟아지지만 기차에서는 첫 번째 모델보다 훨씬 낫습니다(또한 스프레드로 쟁기질함). 이것은 순차성에 대한 재교육을 분명히 보여줍니다. 이해하기 힘든건 이해하지만 사실입니다 🤣 사진을 다시 보시면 더 높은 분포의 봉우리를 보실 수 있고 첫 번째 사진에서 꼬리 부분을 보실 수 있습니다. 이것은 연속성, 변동성, 무엇이든입니다. 거의 즉시 새 데이터로 변경되므로 과적합됩니다. 이것은 두 번째 맨 아래 그림에 없고 남은 모든 것이 거기에 있으며 이 쓰레기에서 스프레드를 이길 알파를 찾아야 합니다. 데이터를 보고 최소한 직렬화를 제거하거나 어떻게든 변환하여 꼬리를 제거하십시오. 그런 다음 일반 클러스터 그룹이 있는지 또는 나와 같은 완전한 무작위 그룹이 있는지 여부에 관계없이 남아 있는 클래스 분포를 살펴봅니다. 따라서 작업 데이터 세트 또는 쓰레기를 시각적으로 이해할 수도 있습니다. 그런 다음 열차의 유효성 검사를 방해할 수 있으며 아무 영향도 미치지 않습니다. 그리고 당신은 "그냥 사진"이라고 말합니다.
분명히 나는 질문을 이해하지 못했습니다.
범주화 예측기가 있는 MT5에는 모델 인터프리터가 없으며 명령줄이 있는 CatBoost는 시각화와 같은 순수한 파이썬적인 것을 제외하고 파이썬 버전과 같은 모든 작업을 수행할 수 있습니다.
이 통역사님, 함께 하프를 하셨습니까, 아니면 당신의 명령으로 하셨습니까? 글쎄, 우리는 무엇이 빠졌는지 봐야 할 것입니다.
이것은 상업적인 프로젝트 가 아닙니다. 내 역할은 솔루션을 적극적으로 테스트하는 것으로 축소되었습니다.
알아낼 수 있다면 커뮤니티에 도움이 될 것입니다.
일반적으로 정말 범주형 기호가 어떤 종류의 증가를 줄 수 있다는 것을 알 때까지 - 하지만 아주 오랫동안 시도했지만 범주형인 것처럼 지역 상황을 설명하는 예측 변수가 있었지만 입력되지 않았습니다.
내가 이해하는 한 다중 클래스는 없습니다.
아직 회귀가 없습니다.
글쎄, 내가한다면, 그것은 mql의 파이썬에서 훈련 된 모델의 파서 형태가 될 것입니다. 아직 켜지지 않았지만 켜야 할 수도 있습니다.
중요하지 않습니다. Python용 모델도 저장할 수 있습니다.
회귀는 어떻습니까?
정지 설정 작업을 하는 모델에 유용할 수 있습니다. 예, Mashka는 때때로 12개의 막대로 예측해야 합니다. :)
어떤 기능/변환이 당신에게서 좋은 결과를 가져옵니까?
예측기 값의 결과는 대상에 따라 다릅니다. :) 이제 최상의 양자화 수준을 선택하기 위한 실험을 설정 중입니다. 최소 임계값을 통과하지 못한 예측기는 제거됩니다. 섣불리 말하기는 이르지만 첫 번째 결과는 긍정적이다. 프로세스는 단일 스레드에서 하루 이상 깁니다. 우리는 양자 수준을 평가하기 위해 더 많은 기준을 사용할 필요가 있습니다. 그렇게 하겠습니다. 아이디어는 신호가 있는 곳을 파헤치는 것입니다. 그런 다음 더 많은 플롯을 선택하고 샘플을 걸러내고 반응이 있는 곳에서만 연구할 것입니다. 아마도 유전자 트리가 이미 작동할 것이므로 잎을 추출할 것입니다.
흥미로운 일을 했습니다. 레이블이 있거나 없는 모든 데이터 세트를 변환하여 개선할 수 있습니다.
이것은 흥미롭습니다. 내가 링크를 게시했다는 사실을 시험해 볼 수 있습니다. 많은 예측자에 실제로 오류가 있지만(저장할 때 이중이 아닌 int로 작성되었습니다. 양자화를 제거하고 잊어버렸습니다) 상대적 비교에는 문제가 되지 않습니다.
그건 그렇고, 상대적으로 무거운 것을 계산해야한다면 - 계산할 수 있습니다 - 이제 기회가 있습니다.
이것은 흥미롭습니다. 내가 링크를 게시했다는 사실을 시험해 볼 수 있습니다. 많은 예측자에 실제로 오류가 있지만(저장할 때 이중이 아닌 int로 작성되었습니다. 양자화를 제거하고 잊어버렸습니다) 상대적 비교에는 문제가 되지 않습니다.
그건 그렇고, 상대적으로 무거운 것을 계산해야한다면 - 계산할 수 있습니다 - 이제 기회가 있습니다.
예, 아직 계산할 필요가 없습니다. .. 저는 제 접근 방식의 매우 간결한 개발을 찾고 있었고 흥미로운 것을 발견했습니다. 그것을 사용 .. 그리고 어떻게 든 퍼즐이 함께 왔어요
이것은 만병 통치약은 아니지만 흥미로운 결과를 제공합니다. 나중에 볼 것
예, 아직 계산할 필요가 없습니다.. 저는 제 접근 방식의 매우 간결한 개발을 찾고 있었고 흥미로운 것을 발견했습니다. 그것을 사용 .. 그리고 어떻게 든 퍼즐이 함께 왔어요
이것은 만병 통치약은 아니지만 흥미로운 결과를 제공합니다. 나중에 볼 것
관심 갖고 기다리고 있습니다!
단순 역상관 후에는 스프레드를 극복할 수 없지만 모델은 스프레드가 없는 새로운 데이터에 대해 더 안정적입니다. 직렬성이 검증된 모든 모델은 n.d에 스프레드 없이 쏟아지지만 기차에서는 첫 번째 모델보다 훨씬 낫습니다(또한 스프레드로 쟁기질함). 이것은 순차성에 대한 재교육을 분명히 보여줍니다. 이해하기 힘든건 이해하지만 사실입니다 🤣 사진을 다시 보시면 더 높은 분포의 봉우리를 보실 수 있고 첫 번째 사진에서 꼬리 부분을 보실 수 있습니다. 이것은 연속성, 변동성, 무엇이든입니다. 거의 즉시 새 데이터로 변경되므로 과적합됩니다. 이것은 두 번째 맨 아래 그림에 없고 남은 모든 것이 거기에 있으며 이 쓰레기에서 스프레드를 이길 알파를 찾아야 합니다. 데이터를 보고 최소한 직렬화를 제거하거나 어떻게든 변환하여 꼬리를 제거하십시오. 그런 다음 일반 클러스터 그룹이 있는지 또는 나와 같은 완전한 무작위 그룹이 있는지 여부에 관계없이 남아 있는 클래스 분포를 살펴봅니다. 따라서 작업 데이터 세트 또는 쓰레기를 시각적으로 이해할 수도 있습니다. 그런 다음 열차의 유효성 검사를 방해할 수 있으며 아무 영향도 미치지 않습니다. 그리고 당신은 "그냥 사진"이라고 말합니다.
당신은 Fedya해야합니다, 당신은해야합니다!
낮과 밤 당신은 잠과 휴식없이 일합니다)))))
당신은 로봇입니까?
낮과 밤 당신은 잠과 휴식없이 일합니다)))))
당신은 Fedya해야합니다, 당신은해야합니다!
:)))))