Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 81
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Evet efendim :)
)))
Richlab'da ticaret yapıyor musunuz?
)))
Richlab'da ticaret yapıyor musunuz?
4) Öğrenme sürecinde çapraz doğrulama yaparsanız, aynı veriler üzerinde birkaç kez tekrarlayın, sonuçların dağılımının ne kadar büyük olacağını görün, küçük bir dağılıma sahip modelleri ve tahmin edicileri seçin
Şimdi aklıma bu geldi ama olası sorunların sınırı bu kadar değil.
Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında etkili olduğuna inanmıyorum.
Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında, etkili olduğuna inanmıyorum.
Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında, etkili olduğuna inanmıyorum.
Neden bu kadar az ağaç var?
Pekala, ne kadar çok ağaç olursa sistemin o kadar az işlem yaptığı ve kalitelerinin hiç artmadığı ortaya çıktı.
örneğin, modelim 10/5 parametresiyle 500 işlem yaparsa, o zaman 5/200 parametresiyle (5 bölme, 200 ağaç) bir işlem yapar veya hiç yapmaz, genelleme düşer, model aramaya başlar bazı çok net durumlar ne zamandı ama asla gelecekte olmayacaklar
Çapraz doğrulamanın anlamını nasıl anladığınızla başlayalım. söyleyebilirsin?
senin gibi eminim
bölümü 5 parçaya 4 parçaya bölün, 5'inde çalışın, kontrol edin ve bölümleri olan tüm seçenekleri yineleyin, böylece numunenin 5 parçasının tamamında örnek dışı kontrolünün gerçekleşmesi ve ortalama hatayı hesaplayın
Henüz unutmadıysam öyle görünüyor
Pekala, ne kadar çok ağaç olursa sistemin o kadar az işlem yaptığı ve kalitelerinin hiç artmadığı ortaya çıkıyor.
örneğin, modelim 10/5 parametresiyle 500 işlem yaparsa, o zaman 5/200 parametresiyle (5 bölme, 200 ağaç) bir işlem yapar veya hiç yapmaz, genelleme düşer, model aramaya başlar bazı çok net durumlar ne zamandı ama asla gelecekte olmayacaklar
senin gibi eminim
bölümü 5 parçaya 4 parçaya bölün, 5'inde çalışın, kontrol edin ve bölümleri olan tüm seçenekleri yineleyin, böylece numunenin 5 parçasının tamamında örnek dışı kontrolünün gerçekleşmesi ve ortalama hatayı hesaplayın
Henüz unutmadıysam öyle görünüyor
Evet. Bu ne için? Optimum öğrenme parametrelerini bulmak için.
Bu yaklaşımın neyini sevmiyorsunuz? Ayarları nasıl seçeceksiniz?
İlginç fikir. Görünüşe göre aşırı uyum ile mücadele ettiğiniz ağaç sayısı?
Kesinlikle bu şekilde değil...
yazdıklarım sadece benim yaklaşımım için geçerlidir, farklı şekilde anlayacaksınız.
nasıl hedef aldığımı biliyorsun, bu geri dönüşler
"yukarı", "aşağı" ve "dönmemek" ( 1 , -1 , 0) olmak üzere üç dönüş sınıfım var
Ayrıca sınıflardaki çarpıklığın devasa olduğunu da biliyorsunuz, "0" sınıfı "-1" ve "1"den on kat daha fazladır.
ve bu, modelin en iyi "0" sınıfında eğitildiği anlamına gelir, çünkü çoğu gözlemi hesaba katar ve modeli eğitirken, daha fazla ağaç, daha fazla "0" sınıfı eğitilir ve "0" sınıfı daha iyi ve daha güçlü hale gelir. "1", "-1" sınıflarını olduğu gibi (absorbe-sıkıştır) öğrenmeye başlar, bu yüzden daha fazla ağaç, daha az işlem