특히 주제가 관련성이 있고 매우 흥미롭기 때문에 귀하의 대화에 참여하겠습니다. 실제로, NN을 기반으로 어드바이저를 훈련할 때 특정 모델을 얻을 뿐만 아니라 동일한 조건에서 다시 훈련하면 이전 모델과 똑같이 작동하는 다른 모델을 얻을 수 있지만 미래의 인용문에서는 이러한 겉보기에 동일한 모델을 얻을 수 있습니다. 다르게 작동합니다. 문제??? 미래에 벌어 들일 모델을 정확히 선택하는 방법. 나는 이 질문에 대해 오랫동안 생각했고 이것이 이 경우에 생각해 낸 것입니다. 네트워크가 무엇이든 예측 또는 kdasification. 메쉬는 교육 현장의 시장과 일치해야 합니다. 그리고 예측 변수가 큰 네트워크가 현재 시장 상황에 더 적합하다고 간주됩니다. My NS는 차량의 신호를 분류합니다. 하루에 약 10개의 신호를 보내지만 어떤 모델을 사용할지 선택하기 위해 다음을 수행합니다. 최적화 섹션에서 네트워크 성능의 예후 변수를 고려하고 모델에 어떤 값이 큰지, 그 모델을 사용하고 알고리즘은 간단합니다.
모델의 값이 증가했다고 가정합니다. 즉, 현재 값이 이전 값보다 높고 NEXT 막대도 증가했습니다. 즉, 그리드는 성장을 예측한 다음 변수에 1을 더하고 그렇지 않은 경우 빼면 감소에 대해 동일한 것을 반영합니다. 즉, 여기에서 우리는 우리 모델의 예후 변수를 꺼내고 어떤 모델이 이 수치가 더 높을지, 그 모델이 가장 자주 시장을 예측하고 그에 따라 더 잘 설명합니다. 우리는 그 중 하나를 선택합니다 ..... 코드에서 그것은 이것처럼 보입니다 ...
double PONT11= iCustom ( NULL , 0 , "Модель" , 1 ,i)- iCustom ( NULL , 0 , "Модель" , 1 ,i+ 1 );
if ((PONT11> 0 )&& ( Close [i- 1 ]> Open [i- 1 ])) AA=AA+ 1 ;
if ((PONT11> 0 )&& ( Close [i- 1 ]< Open [i- 1 ])) AA=AA- 1 ;
if ((PONT11< 0 )&& ( Close [i- 1 ]< Open [i- 1 ])) AA=AA+ 1 ;
if ((PONT11< 0 )&& ( Close [i- 1 ]> Open [i- 1 ])) AA=AA- 1 ;
그래서 ... 그런 것 ... 누가 이것에 대해 생각이 있습니까? 여러분의 의견을 듣고 싶습니다....
친구, 논쟁하지 마십시오.
지갑이 누가 옳았는지 판단할 것입니다 :)
지갑이 누가 옳았는지 판단할 것입니다 :)
그래서 예)
타키는 그렇지 않습니다.
어드바이저를 맞추는 데 돈을 낭비하는 것보다 최적화되지 않은 동일한 역사 섹션에서 어드바이저의 성과를 확인하는 것이 훨씬 쉽습니다.
그건 그렇고, 우리의 영웅은 1500달러에 구매하고 수십 년 동안의 이익을 기다리겠다고 제안하는 전문 고문의 성공적인 진행을 보여주지 않았습니다.
아니요, 우리는 1975년부터 시작합니다.
최적화 1975-1985, 검증 1985-1990
최적화 1980-1990, 검증 1990-1995
최적화 1985-1995, 검증 1995-2000
최적화 2000-2005, 검증 2005-2010
최적화 2005-2010, 검증 2010-2015
우리 는 테스트 결과만 보고 이 5년 중 적어도 1년이 음성이면(그리고 더 있을 것이라고 생각합니다) 시스템은 결혼입니다.
저것들. EA의 이익을 위해 수십 년을 기꺼이 기다리는 미친 사람들이 있는 경우에만 전체 역사 트릭이 작동합니다.
그건 그렇고, 각 섹션에서 과도한 최적화를 피하는 방법을 알려주는 것을 잊지 마십시오.-)
특히 주제가 관련성이 있고 매우 흥미롭기 때문에 귀하의 대화에 참여하겠습니다. 실제로, NN을 기반으로 어드바이저를 훈련할 때 특정 모델을 얻을 뿐만 아니라 동일한 조건에서 다시 훈련하면 이전 모델과 똑같이 작동하는 다른 모델을 얻을 수 있지만 미래의 인용문에서는 이러한 겉보기에 동일한 모델을 얻을 수 있습니다. 다르게 작동합니다. 문제??? 미래에 벌어 들일 모델을 정확히 선택하는 방법. 나는 이 질문에 대해 오랫동안 생각했고 이것이 이 경우에 생각해 낸 것입니다. 네트워크가 무엇이든 예측 또는 kdasification. 메쉬는 교육 현장의 시장과 일치해야 합니다. 그리고 예측 변수가 큰 네트워크가 현재 시장 상황에 더 적합하다고 간주됩니다. My NS는 차량의 신호를 분류합니다. 하루에 약 10개의 신호를 보내지만 어떤 모델을 사용할지 선택하기 위해 다음을 수행합니다. 최적화 섹션에서 네트워크 성능의 예후 변수를 고려하고 모델에 어떤 값이 큰지, 그 모델을 사용하고 알고리즘은 간단합니다.
모델의 값이 증가했다고 가정합니다. 즉, 현재 값이 이전 값보다 높고 NEXT 막대도 증가했습니다. 즉, 그리드는 성장을 예측한 다음 변수에 1을 더하고 그렇지 않은 경우 빼면 감소에 대해 동일한 것을 반영합니다. 즉, 여기에서 우리는 우리 모델의 예후 변수를 꺼내고 어떤 모델이 이 수치가 더 높을지, 그 모델이 가장 자주 시장을 예측하고 그에 따라 더 잘 설명합니다. 우리는 그 중 하나를 선택합니다 ..... 코드에서 그것은 이것처럼 보입니다 ...
그래서 ... 그런 것 ... 누가 이것에 대해 생각이 있습니까? 여러분의 의견을 듣고 싶습니다....
아니요, 우리는 1975년부터 시작합니다.
최적화 1975-1985, 검증 1985-1990
최적화 1980-1990, 검증 1990-1995
최적화 1985-1995, 검증 1995-2000
최적화 2000-2005, 검증 2005-2010
최적화 2005-2010, 검증 2010-2015
우리 는 테스트 결과만 보고 이 5년 중 적어도 1년이 음성이면(그리고 더 있을 것이라고 생각합니다) 시스템은 결혼입니다.
저것들. EA의 이익을 위해 수십 년을 기꺼이 기다리는 미친 사람들이 있는 경우에만 전체 역사 트릭이 작동합니다.
그건 그렇고, 각 섹션에서 과도한 최적화를 피하는 방법을 알려주는 것을 잊지 마십시오.-)
최적화 1975-1985(최적 샘플 크기 = 80 기록 막대):
1985-1990년 확인:
최적화 1980-1990(최적 샘플 크기 = 80 기록 막대):
1990-1995년 확인:
최적화 1985-1995(최적 샘플 크기 = 360 기록 막대):
1995-2000년 확인:
최적화 2000-2005(최적 샘플 크기 = 330 기록 막대):
2005-2010년 확인:
최적화 2005-2010(최적 샘플 크기 = 330 기록 막대):
2010-2015년 확인:
귀하의 기대는 정당화 되지 않았 으며 모든 테스트 섹션은 탁월하지는 않았지만 긍정적인 결과로 극복되었습니다.