Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 352
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
Ne kadar yanlış bir sınıflandırma modeli oluşturmuşsunuz. Örneklem ne kadar büyük olursa, genelleme o kadar güçlü olur, model genel olarak daha istikrarlı ve özel olarak daha az doğru olur ve bu nedenle daha az kârlı olur.
Verimlilik açısından konuşalım. Komplikasyon sonucu sistemin verimliliği düşerse, böyle bir sistem ilginç değildir. Kâr + zarardaki azalma, verimlilikte bir düşüşe işaret eder.
Artan stabilite ile verimlilik artmalıdır. Verimlilik altında, kar / (kar + zarar) oranını alabilirsiniz. İşlemde hala verimlilik mümkündür.
Verimlilik açısından konuşalım. Komplikasyon sonucu sistemin verimliliği düşerse, böyle bir sistem ilginç değildir. Kâr + zarardaki azalma, verimlilikte bir düşüşe işaret eder.
Artan stabilite ile verimlilik artmalıdır. Verimlilik altında kar / (kar + zarar) oranını alabilirsiniz. İşlemde hala verimlilik mümkündür.
Bu NS için geçerli değil)) uzun vadeli verimliliğin arttığı ve kısa vadeli verimliliğin düştüğü ortaya çıkıyor) Peki, hangi örnek verilirse verilsin .. bir taktik var bir strateji var .. kısa vadeli eğitimde, NS taktiksel olarak kazanır ve uzun vadede stratejik olarak çeşitli faktörler etkilemeye başlar ...
Verimlilik açısından konuşalım. Komplikasyon sonucu sistemin verimliliği düşerse, böyle bir sistem ilginç değildir. Kâr + zarardaki azalma, verimlilikte bir düşüşe işaret eder.
Artan stabilite ile verimlilik artmalıdır. Verimlilik altında kar / (kar + zarar) oranını alabilirsiniz. İşlemde hala verimlilik mümkündür.
Verimlilik denilen bisikletsiz yapalım.
Ekonometri, bilgi kriterlerini kullanır.
İşte tanım
Bilgi kriteri , kullanılan tahmini parametre sayısı için bir düzeltme (ceza) ile modelin verilere “uyma” derecesini dikkate alarak, ekonometride (istatistiklerde) kullanılan ekonometrik (istatistiksel) modellerin göreceli kalitesinin bir ölçüsüdür. . Yani kriterler, modelin doğruluğu ve karmaşıklığı arasında bir miktar uzlaşmaya dayanmaktadır.
Bilgi kriterleri, bu kriterlerin değerlerinin anlamlı bir yorumu olmadan, yalnızca modelleri birbirleriyle karşılaştırmak için kullanılır. İstatistiksel hipotezlerin test edilmesi anlamında modellerin test edilmesine izin vermezler. Genellikle, kriterlerin değerleri ne kadar küçük olursa, modelin göreceli kalitesi o kadar yüksek olur .
Model seçimini varsayan bir paket alırsak, bilgi kriterlerinden biri kullanılacaktır.
Faa doğru düşünceyi yazar ama yanlış koyar.
Bir diziniz ve bir dizi tahminciniz var. Satırı üç parçaya bölersiniz - eğitim örneği ve ileri (en basit durum).
Örneğin, 20 model inşa ediyorsunuz.
Sonuç olarak, listeden bir modelin seçimi, eğitim örneğindeki en iyi kriterine ve ilerideki en iyi kriterine dayanmamaktadır. Ve hem antrenmanda hem de ileriye doğru yaklaşık olarak aynı kalite puanlarını veren bir model seçilir.
İkimiz de haklıyız.
Daha basit bir tane seçmeye izin veren bir bilgi kriteri kullanılır, ancak bilgi kriteri hiçbir şekilde ileri testi hariç tutmaz.
Verimlilik denilen bisikletsiz yapalım.
Ekonometri, bilgi kriterlerini kullanır.
Biri kesinlikle diğerine müdahale etmez ve yerini almaz. Ekonomide, kesinlikle karşılık gelen verimlilik açısından verimlilik kriterleri vardır. Hiçbir şey icat etmenize gerek yok.
Bu durumda süreci değil sonucu değerlendiririz. Artık sürecin kriterleri ile ilgilenmiyoruz. Sistem bir kara kutudur. Burada kutuların özelliklerini karşılaştırıyoruz.
Ayrıca değerlendirme kriterleri de vardır - 1 ruble yatırım başına verimlilik, ortalama işlem verimliliği vb. Tüm işletme bu kriterlere göre çalışır. Sonunda ne yapıyoruz?
İyi. Sistemin kararlılığını artırdınız - eksileri kaldırdınız. Toplam kâr bile düşmedi, ama sabit kaldı. Soru şu - önceki sürümde bu deliklerden çıkmanıza izin veren anlaşmalar nereye gitti? Onları kaldırmazsanız, sadece sistemin kârını arttırırlar.
Bir nöronu farklı zaman aralıklarında eğitirseniz, farklı sonuçlar elde edersiniz, karşılaştırılacak bile hiçbir şey yoktur.. farklı sinyaller olacak, model farklı öğrenecek ve bu hiçbir şekilde etkilenemez. Hiçbir şeyi kaldırmadım)
Bir nöronu farklı zaman aralıklarında eğitirseniz, farklı sonuçlar elde edersiniz, karşılaştırılacak bile hiçbir şey yoktur.. farklı sinyaller olacak, model farklı öğrenecek ve bu hiçbir şekilde etkilenemez. Hiçbir şeyi kaldırmadım)
Optimize edicinin kaldırıldığı açıktır. Ancak sonuçların tekrarlanabilirliği, herhangi bir deneyin bir gereğidir. Onlar. Farklı alanlarda antrenman yaparken testte farklı sonuçlar alıyorsak, bu düşünmek için bir nedendir.
Bir TK kullanarak konuşma tanıma için özdeş NN'leri eğittiğimizi ve sonra bunların karşılaştırılamayacaklarını bile ilan ettiğimizi düşünün, çünkü farklı şekilde eğitildiler.
Optimize edicinin kaldırıldığı açıktır. Ancak sonuçların tekrarlanabilirliği, herhangi bir deneyin bir gereğidir. Onlar. Farklı alanlarda antrenman yaparken testte farklı sonuçlar alıyorsak, bu düşünmek için bir nedendir.
Bir TK kullanarak konuşma tanıma için özdeş NN'leri eğittiğimizi ve sonra bunların karşılaştırılamayacaklarını bile ilan ettiğimizi düşünün, çünkü farklı şekilde eğitildiler.
Evet, ama mevcut modelde bu imkansız, aynı şekilde küçük bir veri seti ve çok büyük bir veri kümesine yaklaşmak o kadar karmaşık değil.
Evet, ama mevcut modelde bu imkansız, aynı şekilde küçük bir veri seti ve çok büyük bir veri kümesine yaklaşmak o kadar karmaşık değil.
Genel olarak, dakikalardan bahsedersek, piyasa istatistiksel olarak homojendir, yani. istatistikler haftadan haftaya, aydan aya çok az (istikrarlı) değişir. Büyük TF'lerde bilmiyorum, konuyu incelemedim. Hatırladığım kadarıyla 1 dakika çalışıyorsun.
Prensipte, basit sistemler yakınsaksa daha hızlı yakınsamalıdır. Yani, bir yüksek maksimuma sahiptirler. Bu arada, "yanlış" tahminciler aracılığıyla bu ek maksimumları kendimiz üretiyoruz.