Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1881
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
65% правильных ответов это уровень хорошего индикатора, это то, что сейчас демонстрирует нейро. От 70% и выше можно будет пробовать позиции открывать.
я понял но что есть целевая? что ты прогнозируешь сетями? разворот? тренд? если тренд то что ты описал как тренд?
я понял но что есть целевая? что ты прогнозируешь сетями? разворот? тренд? если тренд то что ты описал как тренд?
Задача, например, по фото отличить кошку от собаки. Какой правильно вариант обучения выбрать?
1. Показывать фотки только кошек и собак, т.е. бинарная классификация.
2. Отдельно бучать только показывая кошек и "не кошек" (протос хаос) + отдельно так же собак и "не собак", т.е. два цикла обучения и две модели на выходе.
3. Делать классификацию из трех - кошки, собаки и хаос. Т.е. модель будет одна, но ответ - классификация из трех вариантов.
Сейчас у меня первый вариант и он явно кривой. Проблема в том, что нейро хорошо обучается только одному из вариантов, условно хорошо видит только "кошек", а собак узнает плохо. Пример, на бэктестах модели хорошо определяют движение цены вверх и игнорят движение вниз. Если угадывание вверх доходит до 67%, то эта же модель угадывает вниз только 55%. "Вверх" и "вниз" от модели к модели может меняться местами.
я понял но что есть целевая? что ты прогнозируешь сетями? разворот? тренд? если тренд то что ты описал как тренд?
Кстати, може знатоки подскажут. Такой вопрос:
Задача, например, по фото отличить кошку от собаки. Какой правильно вариант обучения выбрать?
1. Показывать фотки только кошек и собак, т.е. бинарная классификация.
2. Отдельно бучать только показывая кошек и "не кошек" (протос хаос) + отдельно так же собак и "не собак", т.е. два цикла обучения и две модели на выходе.
3. Делать классификацию из трех - кошки, собаки и хаос. Т.е. модель будет одна, но ответ - классификация из трех вариантов.
Сейчас у меня первый вариант и он явно кривой. Проблема в том, что нейро хорошо обучается только одному из вариантов, условно хорошо видит только "кошек", а собак узнает плохо. Пример, на бэктестах модели хорошо поределяют движение цены вверх и игнорят движение вниз. Если угадывае вверх доходит до 67%, то эта же модель угадывает вниз только 55%. "Вверх" и "вниз" от модели к модели может меняться местами.
тут проблема не в вариантах классификации, а в разбалансировке примеров для обучения, разбаланисировке либо в количестве либо в характеристических свойствах примеров.
Сеть сверточная ?
Кстати, может знатоки подскажут. Такой вопрос:
Задача, например, по фото отличить кошку от собаки. Какой правильно вариант обучения выбрать?
1. Показывать фотки только кошек и собак, т.е. бинарная классификация.
2. Отдельно бучать только показывая кошек и "не кошек" (протос хаос) + отдельно так же собак и "не собак", т.е. два цикла обучения и две модели на выходе.
3. Делать классификацию из трех - кошки, собаки и хаос. Т.е. модель будет одна, но ответ - классификация из трех вариантов.
Сейчас у меня первый вариант и он явно кривой. Проблема в том, что нейро хорошо обучается только одному из вариантов, условно хорошо видит только "кошек", а собак узнает плохо. Пример, на бэктестах модели хорошо определяют движение цены вверх и игнорят движение вниз. Если угадывание вверх доходит до 67%, то эта же модель угадывает вниз только 55%. "Вверх" и "вниз" от модели к модели может меняться местами.
Там два набора точек, не помню как эти точки называются, любая распозновалка по фото это определение точек глаз, носа, рта, ушей, область щек и расстояние и положение между ними. Все просто. Поэтому если просто кошку показывать то это не то. Сперва нужно обучить узнавать кошку из кошек, собаку из собак, и только потом отличать.
И да не то что 2 цикла, а больше в обучении если классов более 2
тут проблема не в вариантах классификации, а в разбалансировке примеров для обучения, разбаланисировке либо в количестве либо в характеристических свойствах примеров.
Сеть сверточная ?
Разбалансировка примеров обучения очень даже может быть причиной, но, думаю, что это надо с функцией активации мудрить. Ответ не в ту лунку падает, а лунок этих много. Осваивать TensorBoard надо для вузуализации, но это такая мутота...
Короче знаний не хватает.
Нет не сверточная, я ж не показываю реальные картинки ))
Разбалансировка примеров обучения очень даже может быть причиной, но, думаю, что это надо с функцией активации мудрить. Ответ не в ту лунку падает, а лунок этих много. Осваивать TensorBoard надо для вузуализации, но это такая мутота...
Короче знаний не хватает.
опечатка - не функция активации, а функция оптимизации
а как ты в телеге бабос с подписоты собираешь? там есть встроенные сервисы, ил ипросто добавляешь в группу тех, кто оплатил
Нет не сверточная, я ж не показываю реальные картинки ))
Да какая разница реальные картинки или нет
Свертка нужна для инвариантности изображений и их позиции, или у тебя все котики одинакового размера туловища и все строго по центру?
Все твое распознавание сейчас это распознавание не картинок а цветов пикселей в каких то конкретных позициях...
От туда и такая точность ничтожная .
Короче знаний не хватает.
+++