Обсуждение статьи "Популяционные алгоритмы оптимизации: Алгоритм растущих деревьев (Saplings Sowing and Growing up — SSG)" - страница 10
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Вроде кросс-валидация выбирает лучшую иголку или поверхность. А чтобы получить много иголок, можно сделать оптимизации по разным кускам истории. Ф-я же одна и та же останется.
вот, кстати, способ отсеять параметры, которые вообще всегда сливают (забить их в сов как ошибочные и тестер будет их пропускать). выбрать области которые чаще всего наливают. и далее как фантазия подскажет как эти наливные области использовать.
вот, кстати, способ отсеять параметры, которые вообще всегда сливают (забить их в сов как ошибочные и тестер будет их пропускать). выбрать области которые чаще всего наливают. и далее как фантазия подскажет как эти наливные области использовать.
Андрей, а много еще алгоритмов осталось? Есть смысл на SSG остановиться, или есть потенциально более сильные? )
алгоритмов много, я не знаю, есть ли алгоритмы ещё круче.
таблица живая, алго в них добавляю по мере их изучения, т.е. не могу сказать - вон тот вот самый классный, знаю только те что описал))
на самом деле уже можно было брать муравьиный, пчелиный и сорняковый, они очень хорошие. деревянный конечно сейчас рвёт всех, какой будет следующий лидер - не знаю.
до гибридных доберусь когда переберу все значимые известные, гибридные очень перспективные.
пока рассматриваю популяционные, но ведь есть и другие типы, интересно будет изучить и их тоже.
Не совсем понятно, почему в тестере нет такого интуитивного способа до сих пор, чтобы прогнать на нескольких кусках истории и усреднить. Может через фреймы как-то делается.
Вырвали из контекста. Читайте дальше.
Большая ошибка - черпать идеи из разглядывания трёхмерных картинок. Это примерно как делать выводы о трёхмерном случае по двумерным картинкам.
При двух параметрах число сёдел примерно соответствует числу максимумов - между двумя максимумами одно седло (при одном параметре сёдел совсем нет). При росте числа параметров сёдел становится намного больше чем экстремумов и они становятся всё разнообразнее. И главной задачей максимизации становится не принять седло за экстремум, что вполне возможно из-за ограниченного числа точек расчёта.
Если ещё есть разрывы в зависимости целевой от параметров, то наступает полный мрак и представить все многомерные варианты просто невозможно.
Большая ошибка - черпать идеи из разглядывания трёхмерных картинок. Это примерно как делать выводы о трёхмерном случае по двумерным картинкам.
При двух параметрах число сёдел примерно соответствует числу максимумов - между двумя максимумами одно седло (при одном параметре сёдел совсем нет). При росте числа параметров сёдел становится намного больше чем экстремумов и они становятся всё разнообразнее. И главной задачей максимизации становится не принять седло за экстремум, что вполне возможно из-за ограниченного числа точек расчёта.
Если ещё есть разрывы в зависимости целевой от параметров, то наступает полный мрак и представить все многомерные варианты просто невозможно.
Да, совершенно верно. Трёхмерные картинки это максимум что мы можем увидеть, большее количество измерений увидеть нельзя. Но, как то же нужно иметь представление об поверхности для тестов АО.
Тестовые функции использую трехмерные (два параметра), даже там где в тестах 1000 параметров это 500 тестовых функций.
Если ФФ "неоднородная" по параметрам, как это в случае с советником, то вообще невозможно себе вообразить гирерповерхность, но это не сложнее чем "однородные" тестовые функции. Все алгоритмы в статьях проверены на "читтинг", как например можно было бы по факту оптить два параметра и копировать их во все остальные, тогда бы тестовые многомерные функции щёлкались на раз два.
Есть ещё метод на "параллельно-перпендикулярные" (не знаю как это называется точно) склонности алгоритмов, это когда алгоритм решает лучше задачи оптимизации где вершины и впадины расположены вертикально и горизонтально осям координат, такие алгоритмы проваливают тесты на функциях с поворотом (берут любую тестовую функцию и поворачивают её на градусов 5-10.