글쎄요, 데이터에 관해서는 순수한 데이터로 네트워크를 훈련시키기 위해 데이터를 취하는 방법이 완전히 명확하지 않습니다. ..... 훈련 샘플에서 TruePositives: TrueNegatives: FalsePositives: FalseNegatives를 선택하고 네트워크 훈련을 시도하는 방법. 효과를 확인하십시오. 들어오는 데이터의 정규화는 필요한 뉴스입니다 .... 글쎄, 나는 여전히 지표를 고정하는 방법을 모릅니다 .... 적어도 어떻게 든 모든 것이 시각적으로 보였습니다 ...
결과는 같습니다........ 83개의 정말 긍정적인 예를 찾았습니다. 일반선발에서 어떻게 뽑는가..... 그리고 순전히 이 83개의 레코드를 제출하기 위해 자연스럽게 정규화되었다. 그리고 네트워크가 이 83개 레코드에 대해 최소 오류로 학습한다면. 그러면 그녀는 (이론적으로) 입력 노이즈에서 그러한 레코드를 분류할 수 있을 것입니다.
하나의 교육 파일을 제출했습니다. 아직 확인 간격이 없습니다 :-( 하지만 이것은 문제가 되지 않습니다 .....
제가 알기로는 600개를 제출했지만 그는 337개를 가져갔습니다.
여기에서 결과를 반복하려고 합니다. 다른 기계에서도 흥미로울 것입니다. 결과는 무엇입니까 ???
VMR은 전체 샘플을 훈련과 통제의 두 부분으로 나눕니다. 저것들. 전체 샘플에서 600개의 예제가 제출된 경우 모델이 생성(학습된)된 훈련 샘플에 600 - 337 = 263개의 예제가 포함되었으며 337개의 예제가 모델이 생성된 대조군 샘플임을 의미합니다. 그런 다음 테스트(하지만 훈련되지 않음)
니켈로디언 : 글쎄요, 데이터에 관해서는 순수한 데이터로 네트워크를 훈련시키기 위해 데이터를 취하는 방법이 완전히 명확하지 않습니다. ..... 훈련 샘플에서 TruePositives: TrueNegatives: FalsePositives: FalseNegatives를 선택하고 네트워크 훈련을 시도하는 방법.
훈련 샘플에서 무엇이든 골라내는 것은 의미가 없습니다. 훈련 샘플은 모델을 생성하기 위한 것이며 모델은 바로 이 샘플에 없을 다른 데이터를 위한 것입니다. 따라서 VMR은 대조 샘플에 대해서만 모든 계산을 수행합니다.
사실 JPrediction은 금융 상품을 예측하기 위해 만들어진 것이 아니라 다음 달 신호의 수익성을 예측하기 위해 만들어졌습니다.
저것들. 나는 신호의 현재 특성을 포함하는 선택을 합니다: 거래 수, 기간, 월별 이익(%), 수익성 있는 거래 비율, 손실 거래 비율, 이익 계수, 샤프 비율 등. 그런 다음 나는 한 달을 기다렸다가 그 달에 이익을 준 신호를 1로 표시하고 무익한 0을 표시합니다.
그런 다음 이 샘플에서 모델을 훈련하고 이를 사용하여 다음 달의 신호를 예측합니다.
결론은 신호를 예측하기가 더 쉽다는 것입니다. 과거 데이터 외에도 유용한 추가 정보가 많이 있습니다. 금융상품은 과거 데이터 외에 추가 데이터가 없습니다.
저는 이 관점을 전적으로 지지합니다. 신호를 보내는 지표가 있습니다. 같은 거래. JPrediction에서도 실행할 수 있을 것이라고 생각하지만 훈련 간격이 어떻게 선택되는지 명확하지 않습니까? 예, 그리고 각 레코드에 대해 계산된 지표와 함께 파일을 저장하는 것이 편리할 것입니다 ..... Vizard가 그것을 수행하는 방법 ....... 글쎄, 데이터 자체를 얻을 수 있습니다 .... 그런 다음 시도 할 수 있습니다 그들에 다른 네트워크를 훈련 ..... 이와 같은 것. 유리에게 말해줘 이거 계획이야????
샘플 외의 모델링 품질:
*
*트루포지티브: 83
* 트루네거티브: 111
* 거짓양성: 96
* 거짓음수: 47
* 통계가 있는 샘플 중 총 패턴: 337
* 통계가 없는 out of sample의 나머지 패턴: 78
* 샘플 외의 총 오류: 143
* 일반화 능력의 민감도: 46.36871508379888%
* 일반화 능력의 특이도: 70.25316455696202%
* 일반화 능력: 16.621879640760895%
* Reshetov의 표시기: 0.004123184591376475
*/
이중 x0 = 2.0 * (v0 - 19.0) / 35.0 - 1.0;
두 배 x1 = 2.0 * (v1 - 12.26) / 57.830000000000005 - 1.0;
두 배 x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0;
두 배 x3 = 2.0 * (v3 - 12.11) / 24.380000000000003 - 1.0;
두 배 x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0;
두 배 x5 = 2.0 * (v5 - 11.61) / 58.5 - 1.0;
두 결정 = -0.03426154451479057 + 0.09136531101334192 * X0 * X1 + -0.16115463032514218 0.3774761240476446 * X0 * X1 X2 -0.2182655506670959 -0.1495367886396967 * * * X0, X1, X2 -0.686972851164288 * * * X2 -0.7274492971348857 X0 * X1 X2 -0.06979110777265085 * * * X3 + 0.27356476016739995 X0 * X1, X3 -0.026662374360625248 * * X3 + 0.12474514432879064 * X0 * X1 * X3 -0.2919894838501985 * * X2 X3 -0.2863737167793397 X0 * * * X2 + X3 0.04656257824516221 X1 * * * X2 + X3 0.11427907143112637 * X0 * X1 * * X2 + X3 0.01709410880995815 * X4 + 0.21856958901169654 * X0 * X4 -9.925957720785493E -4- * X1 * X4 + 0.9723342991021926 * X0 * X1 * X4 + 0.04599384769467396 * X2 * X4 -0.05459813284687198 X0 * * * X2 + X4 0.3729012411918303 * * X1 + X2 * X4 0.010296169116858033 * X0 * X1 X2 * * X4 + X3 0.058584612082841506 * * X4 + 0.531371391780234 X0 * * * X3 X4 -0.025018778838931215 X1 * * * X4 + X3 0.1861984476159817 * X0 * X1 * * X4 + X3 0.07319097184962621 X2 * * * X3 + X4 0.09688271273741818 * x0 * x * 2 * X3 + X4 0.1411041957291555 * X1 X2 * * * X3 + X4 0.16417712916264263 * X0 * X1 X2 * * * X3 X4 X5 -0.1726597989770004 * X0 + 0.36239224523375185 * * * X5 -0.008892227349143328 X1 * X5 -0.04417677147047251 * X0 * X1 * X5 -0.7319687377043317 * X2 * X5 -0.7806416997531924 X0 * * * X5 + X2 0.012256322209106843 * * X1 + X2 * X5 0.04393711771649319 * X0 * X1 X2 * * * X3 X5 -0.006563651321672569 * X5 + 0.06276424509067496 X0 * * * X3 X5를 -0.015999570769395857 * X1 * X3 * X5 -0.05302786422005222 * X0 * X1 * X3 * X5 + X2 0.03534892871195049 * * * X5 + X3 0.1463193475694817 X0 * * * X2 X3 * X5 -0.027476124047644598 * * X1 X2 X3 * * X5 + 0.052884787352004865 * X0 * X1 * * * X2 X3 X4 X5 -0.018202954537325178 * * X5 + 1.0 * X0 * * X4 X5 -0.07118968415781378 X1 * * * X4 X5 -0.003138748792788926 * X0 * X1 * * X4 X5 + X2 0.2624137067639589 * * * X4 X5 -0.02015595378617162 * * X0 x2 * x4 * x5 + 0.08019279607969382 * x1 * x2 * x4 * x5 + 0.06399649461673285 * x0 * x1 * x2 * x4 * x5 -0.025963086168043 78 * x3 * x4 * x5 + 0.1836176969860857746 * x0 * x3 * x4 * x5 -0.08407017920377723 * x1 * x3 * x4 * x4 * x5 + 0.0301427191758724 * x0 * x3 * x3 * x4 * x4 * x4 * x4 * x4 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * x3 * * x4 * x5 + 0.0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0.20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5;
모든 것이 복잡합니다 ..... 데이터가 종속 변수를 얼마나 잘 설명합니까????
하나의 교육 파일을 제출했습니다. 아직 확인 간격이 없습니다 :-( 하지만 이것은 문제가 되지 않습니다 .....
제가 알기로는 600개를 제출했지만 그는 337개를 가져갔습니다.
여기에서 결과를 반복하려고 합니다. 다른 기계에서도 흥미로울 것입니다. 결과는 무엇입니까 ???
결과는 같습니다........ 83개의 정말 긍정적인 예를 찾았습니다. 일반선발에서 어떻게 뽑는가..... 그리고 순전히 이 83개의 레코드를 제출하기 위해 자연스럽게 정규화되었다. 그리고 네트워크가 이 83개 레코드에 대해 최소 오류로 학습한다면. 그러면 그녀는 (이론적으로) 입력 노이즈에서 그러한 레코드를 분류할 수 있을 것입니다.
하나의 교육 파일을 제출했습니다. 아직 확인 간격이 없습니다 :-( 하지만 이것은 문제가 되지 않습니다 .....
제가 알기로는 600개를 제출했지만 그는 337개를 가져갔습니다.
여기에서 결과를 반복하려고 합니다. 다른 기계에서도 흥미로울 것입니다. 결과는 무엇입니까 ???
글쎄요, 데이터에 관해서는 순수한 데이터로 네트워크를 훈련시키기 위해 데이터를 취하는 방법이 완전히 명확하지 않습니다. ..... 훈련 샘플에서 TruePositives: TrueNegatives: FalsePositives: FalseNegatives를 선택하고 네트워크 훈련을 시도하는 방법.
사실 JPrediction은 금융 상품을 예측하기 위해 만들어진 것이 아니라 다음 달 신호의 수익성을 예측하기 위해 만들어졌습니다.
저것들. 거래 수 , 기간, 월별 이익(%), 수익성 있는 거래 비율, 손실 거래 비율, 이익 계수, 샤프 비율 등 신호의 현재 특성을 포함하는 선택을 합니다. 그런 다음 나는 한 달을 기다렸다가 그 달에 이익을 준 신호를 1로 표시하고 무익한 0을 표시합니다.
그런 다음 이 샘플에서 모델을 훈련하고 이를 사용하여 다음 달의 신호를 예측합니다.
결론은 신호를 예측하기가 더 쉽다는 것입니다. 과거 데이터 외에도 유용한 추가 정보가 많이 있습니다. 금융상품은 과거 데이터 외에 추가 데이터가 없습니다.
그래서 나는 생각하고 있습니다 ... 결과를 해석하는 방법 ... 더 빠르고 확실히 손으로가 아닌 .......
사실 JPrediction은 금융 상품을 예측하기 위해 만들어진 것이 아니라 다음 달 신호의 수익성을 예측하기 위해 만들어졌습니다.
저것들. 나는 신호의 현재 특성을 포함하는 선택을 합니다: 거래 수, 기간, 월별 이익(%), 수익성 있는 거래 비율, 손실 거래 비율, 이익 계수, 샤프 비율 등. 그런 다음 나는 한 달을 기다렸다가 그 달에 이익을 준 신호를 1로 표시하고 무익한 0을 표시합니다.
그런 다음 이 샘플에서 모델을 훈련하고 이를 사용하여 다음 달의 신호를 예측합니다.
결론은 신호를 예측하기가 더 쉽다는 것입니다. 과거 데이터 외에도 유용한 추가 정보가 많이 있습니다. 금융상품은 과거 데이터 외에 추가 데이터가 없습니다.