- Balans+(밝은 녹색) - 모든 손익에 비례하여 이익이 발생하는 재무 결과, 이 지표는 차트에 맞게 조정됩니다.
- 잔액-(벽돌) - 모든 손익에 대해 손실을 초래하는 재무 결과, 이 표시기는 차트에 맞게 조정됩니다.
- 원은 저울의 스케일된 값입니다. - 우리는 x 좌표의 0 값에서 0 값에 중점을 둡니다. - 명확성을 위해 만들어졌습니다.
수직선 아쿠아 - 최대값 Target=0
수직 자석 라인 - 최대값 Target=1
수직선은 빨간색 - 명확성을 위해 기본적으로 CatBoost에서 1과 0으로 분류하기 위한 0.5의 조건부 구분입니다.
아쿠아 라인과 마그넷 라인이 빨간색 수직 라인에서 멀어질수록 모델이 더 확실하게 클래스를 구분한다고 가정합니다. 균형 선을 관찰하는 것도 가치가 있습니다. 훈련하는 동안 양쪽에 분산되어 있습니다. 이것은 특히 이익과 손실이 다른 값을 가질 수 있는 모델에 해당됩니다. 예를 들어 모델은 작은 손실을 잘 필터링할 수 있지만 큰 손실은 잃을 수 있습니다. , 분류에 따르면 정확도 값은 0.5보다 클 것입니다.
다음으로 테스트 샘플을 살펴보겠습니다.
빨간색과 자석과 같은 수직선의 수렴이 있었지만 상대적 위치는 변경되지 않았으며 이미 양호한 상태임을 알 수 있습니다(자석이 <0.5 영역으로 들어가는 경우). 밸런스 라인이 가까워져 다소 실망스럽습니다. 확률 0.5 이후에는 모델의 품질이 불충분함을 나타내는 손실 영역이 있습니다.
그러면 검사 샘플에서 결과를 볼 수 있습니다.
오른쪽(확률이 0.5 이상)에서 상황이 테스트보다 더 좋아 보입니다. 이는 테스트 샘플이 드물게 발생하고 훈련 중에 유사한 예가 거의 없었거나 모델이 재훈련되지 않았음을 나타낼 수 있습니다. 후자의 가정은 0.5 미만의 확률 영역에서 긍정적인 재무 결과를 나타내는 균형 선 Balans + 가 원을 볼 때도 볼 수 있는 Balans- 선과 교차하는 영역이 있다는 사실에 의해 뒷받침됩니다. 이는 본질적으로 특정 확률 영역에서 손익 사이의 델타를 나타냅니다.
음, 시험 샘플의 잔액을 살펴 보겠습니다.
그래프의 2/3에서 볼 수 있는 시장의 특성이 변경되었음을 분명히 알 수 있습니다. 모델을 계속 훈련해야 합니다.
다음은 분명히 잘못된 모델의 예입니다.
이미 테스트 샘플에서 몸 전체가 왼쪽으로 강하게 이동하는 것을 볼 수 있습니다. 모델은 샘플에 대해 거의 알지 못합니다. 즉, 재현율이 낮고 목표 1 누적의 피크는 확률의 왼쪽 뒤에 있습니다. 훈련에 여전히 이익이 있다는 점은 주목할 가치가 있습니다.
시험 및 시험 샘플을 본다
이미 테스트 샘플에서 모든 라인이 0.5의 확률을 넘어서 매우 강하게 얽혀 있음을 알 수 있으며, 테스트 샘플에서 균형 라인이 어떻게 위치를 변경했는지 관찰할 수 있습니다.
В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования. Понятие о нейронных сетях...
나는 전망을 분석하기 위해 CatBoost 모델의 시각화 문제로 돌아갔습니다.
학습 모델은 다음과 같습니다.
x축 - 로지스틱 함수의 확률 값, y축 - 0.05 값 간격에 대한 백분율:
- Razdel (파란색) - 선택 항목의 모든 값.
- Target=1(magnetta) - 목표값 1
- Target=0(aqua) - 목표값 0
- Balans+(밝은 녹색) - 모든 손익에 비례하여 이익이 발생하는 재무 결과, 이 지표는 차트에 맞게 조정됩니다.
- 잔액-(벽돌) - 모든 손익에 대해 손실을 초래하는 재무 결과, 이 표시기는 차트에 맞게 조정됩니다.
- 원은 저울의 스케일된 값입니다. - 우리는 x 좌표의 0 값에서 0 값에 중점을 둡니다. - 명확성을 위해 만들어졌습니다.
수직선 아쿠아 - 최대값 Target=0
수직 자석 라인 - 최대값 Target=1
수직선은 빨간색 - 명확성을 위해 기본적으로 CatBoost에서 1과 0으로 분류하기 위한 0.5의 조건부 구분입니다.
아쿠아 라인과 마그넷 라인이 빨간색 수직 라인에서 멀어질수록 모델이 더 확실하게 클래스를 구분한다고 가정합니다. 균형 선을 관찰하는 것도 가치가 있습니다. 훈련하는 동안 양쪽에 분산되어 있습니다. 이것은 특히 이익과 손실이 다른 값을 가질 수 있는 모델에 해당됩니다. 예를 들어 모델은 작은 손실을 잘 필터링할 수 있지만 큰 손실은 잃을 수 있습니다. , 분류에 따르면 정확도 값은 0.5보다 클 것입니다.
다음으로 테스트 샘플을 살펴보겠습니다.
빨간색과 자석과 같은 수직선의 수렴이 있었지만 상대적 위치는 변경되지 않았으며 이미 양호한 상태임을 알 수 있습니다(자석이 <0.5 영역으로 들어가는 경우). 밸런스 라인이 가까워져 다소 실망스럽습니다. 확률 0.5 이후에는 모델의 품질이 불충분함을 나타내는 손실 영역이 있습니다.
그러면 검사 샘플에서 결과를 볼 수 있습니다.
오른쪽(확률이 0.5 이상)에서 상황이 테스트보다 더 좋아 보입니다. 이는 테스트 샘플이 드물게 발생하고 훈련 중에 유사한 예가 거의 없었거나 모델이 재훈련되지 않았음을 나타낼 수 있습니다. 후자의 가정은 0.5 미만의 확률 영역에서 긍정적인 재무 결과를 나타내는 균형 선 Balans + 가 원을 볼 때도 볼 수 있는 Balans- 선과 교차하는 영역이 있다는 사실에 의해 뒷받침됩니다. 이는 본질적으로 특정 확률 영역에서 손익 사이의 델타를 나타냅니다.
음, 시험 샘플의 잔액을 살펴 보겠습니다.
그래프의 2/3에서 볼 수 있는 시장의 특성이 변경되었음을 분명히 알 수 있습니다. 모델을 계속 훈련해야 합니다.
다음은 분명히 잘못된 모델의 예입니다.
이미 테스트 샘플에서 몸 전체가 왼쪽으로 강하게 이동하는 것을 볼 수 있습니다. 모델은 샘플에 대해 거의 알지 못합니다. 즉, 재현율이 낮고 목표 1 누적의 피크는 확률의 왼쪽 뒤에 있습니다. 훈련에 여전히 이익이 있다는 점은 주목할 가치가 있습니다.
시험 및 시험 샘플을 본다
이미 테스트 샘플에서 모든 라인이 0.5의 확률을 넘어서 매우 강하게 얽혀 있음을 알 수 있으며, 테스트 샘플에서 균형 라인이 어떻게 위치를 변경했는지 관찰할 수 있습니다.
사실 저는 비어있는 네트워크를 가지고 있습니다 (자체 작성이 아니라 패키지에서 하기 때문에 초기화 되도록 훈련합니다)
나는 어떤 추상화, 어떤 목표든 생각해내고 피트니스를 씁니다. 재미있는.
그런 다음 유전학 이 네트워크의 가중치를 변경하기 시작하여 기차와 테스트에서 I (네트워크) 가 내 목표에 최대한 가까운 것을 얻도록 합니다.
고유한 레이블을 만들고 회귀 또는 분류를 조정하는 것보다 천 배 "깊은" 것입니다.
2년 전 MT5 옵티마이저를 통한 뉴런 학습이 여기에서 비난받던 때로 돌아가셨습니다.
그런 봇을 썼습니다. 이것은 많은 매개변수를 사용하는 일반적인 최적화입니다.
읽어
https://www.mql5.com/en/articles/497
2년 전 MT5 옵티마이저를 통한 뉴런 학습이 여기에서 비난받던 때로 돌아가셨습니다.
그런 봇을 썼습니다. 이것은 많은 매개변수를 사용하는 일반적인 최적화입니다.
읽어
https://www.mql5.com/en/articles/497
네, 하지만 최대로 시도했습니다. 이익, 당신은 다른 것을 위해 훈련할 수 있습니다
들어봐, 너무 게으르지 않다면 최대 이익을 위해 캣버스트를 훈련해봐, 거기에서 그렇게 작동하는지 잘 모르겠어
같은 장소에서 X - 데이터 및 Y - 대상을 즉시 제출해야 합니다.
아마도 이 전체 "관습주의"는 기존 기능의 순전히 외관상의 변화일 것입니다.
나는 전망을 분석하기 위해 CatBoost 모델의 시각화 문제로 돌아갔습니다.
나는 블로그와 여기 사본에서 그런 큰 연구를 버리는 것이 낫다고 생각합니다. 6개월 후, 당신은 그것을 찾을 수 없습니다 ...
아마도 - 나는 블로그를 사용하지 않기 때문에 어떻게 든 그러한 아이디어를 방문하지 않았습니다.
그래프의 이 모든 점(곡선당 20개)을 샘플에 채우고 학습을 시도할 수 있다고 생각합니다. 이러한 방식으로 잠재적인 안정성이 있는 모델을 더 큰 확률로 식별할 수 있을 것입니다.
아마도 - 나는 블로그를 사용하지 않기 때문에 어떻게 든 그러한 아이디어를 방문하지 않았습니다.
그래프의 이 모든 점(곡선당 20개)을 샘플에 채우고 학습을 시도할 수 있다고 생각합니다. 이러한 방식으로 잠재적인 안정성이 있는 모델을 더 큰 확률로 식별할 수 있을 것입니다.
대상은 어떻게 될까요? 각 예에 레이블을 지정하는 방법은 무엇입니까? 아니면 독학?
대상은 시험 샘플에 대한 모델의 재무 결과입니다.
네, 하지만 최대로 시도했습니다. 이익, 당신은 다른 것을 위해 훈련할 수 있습니다
들어봐, 너무 게으르지 않다면 최대 이익을 위해 캣버스트를 훈련해봐, 거기에서 그렇게 작동하는지 잘 모르겠어
같은 장소에서 X - 데이터 및 Y - 대상을 즉시 제출해야 합니다.
아마도 이 전체 "관습주의"는 기존 기능의 순전히 외관상의 변화일 것입니다.
지금은 새 메트릭을 작성하기에는 너무 게으르며 .. 그러면 확실히 최대 수익은 아니지만 더 의미 있는 것이 될 것입니다.
예를 들어, Lyapunov 안정성 ))
지금은 새 메트릭을 작성하기에는 너무 게으르며 .. 그러면 확실히 최대 수익은 아니지만 더 의미 있는 것이 될 것입니다.
예를 들어, Lyapunov 안정성 ))
그녀는 당신에게 균일 한 필드, 우물 또는 밀도를주었습니다.))) 우리 사업에서 이것은 드문 일입니다.
나는 전망을 분석하기 위해 CatBoost 모델의 시각화 문제로 돌아갔습니다.
예, 분포에 따르면 일반적으로 모든 것이 표시됩니다. 부스트 없이 표지판 \ 대상에 대해 이 작업을 수행하고 즉시 볼 수 있습니다.