Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 626

[Anatolii Zainchkovskii]

Maksim Dmitrievski :

neden hayır, bol ağaçla çekilmiş.. 10'da normal cevaplar verdi (kaç tane koyduğumu hatırlamıyorum)

500 çok fazla, herhangi bir veri seti için yeterli

o zaman neden kesirli sayılarda bu tür hatalar vardı? .. garip, makinenin tam olarak öğrenebileceğini ummuştum.. Görünüşe göre, kalıplar söz konusu olduğunda (Forex'te) görünümlerinin açık olmaktan uzak olduğu (çarpım tablosunda olduğu gibi), iyi vakaların %60'ında adil tahminler alırsanız.

[Maxim Dmitrievsky]

Anatoly Zainchkovskii :
o zaman neden kesirli sayılarda bu tür hatalar vardı? .. garip, makinenin tam olarak öğrenebileceğini ummuştum.. Görünüşe göre, kalıplar söz konusu olduğunda (Forex'te) görünümlerinin açık olmaktan uzak olduğu (çarpım tablosunda olduğu gibi), iyi vakaların %60'ında adil tahminler alırsanız.

r parametresi düşük olduğu için hatalar oluştu yani örneklerin sadece yarısı eğitim için kullanıldı ve bu yarısı ağaçların yarısına eğitildi :) ve orada az örnek var

bu tam olarak r ~ 1 koymak gerekir. Sözde-düzenleme ve torba dışı numuneler üzerindeki testler için kullanılır

sadece bu mekanizmayı yapılandırabilmeniz gerekiyor, orman durumunda sadece 2 ayar elde ediliyor

ayrıca NS'nin (RF) bir kurkülatör olmadığını, ancak f-th'e yaklaştığını (yaklaşık olarak) ve birçok problem için çok yüksek doğruluğun iyiden daha kötü olduğunu anlamanız gerekir.

[Maxim Dmitrievsky]

elibrarius :

Ağdaki gerilemenin/tahminin, tarihteki benzer siteler/kalıplar (3 ay önce yapıldı) aramasıyla yaklaşık olarak aynı şeyi vereceğinden korkuyorum:

peki, sınıflandırma daha iyi olmayacak :) prensip aynı, sadece sınıflara ayırıyor

[Anatolii Zainchkovskii]

Maksim Dmitrievski :

r parametresi düşük olduğu için hatalar oluştu yani örneklerin sadece yarısı eğitim için kullanıldı ve bu yarısı ağaçların yarısına eğitildi :) ve orada çok az örnek var

bu tam olarak r ~ 1 koymak gerekir. Sözde-düzenleme ve torba dışı numuneler üzerindeki testler için kullanılır

sadece bu mekanizmayı yapılandırabilmeniz gerekiyor, orman durumunda sadece 2 ayar elde ediliyor

yani, r 1'e ayarlanırsa, tüm örnekler üzerinde eğitilecektir. Prensip olarak, ihtiyaç duyulan şey budur, aksi halde örnekleri toplamak ve göstermek neden gerekliydi. ve işte ileriye dönük bir kontrol olduğu konusunda daha fazla olacak.

[Maxim Dmitrievsky]

Anatoly Zainchkovskii :
yani, r 1'e ayarlanırsa, tüm örnekler üzerinde eğitilecektir. Prensip olarak, ihtiyaç duyulan şey budur, aksi halde örnekleri toplamak ve göstermek neden gerekliydi. ve işte ileriye dönük bir kontrol olduğu konusunda daha fazla olacak.

her neyse, hiç değil, tüm işaretler kullanılmayacak, böylece genel olarak modelin herkes için, ne olacağını ayarlayabileceğiniz bir değişiklik var. Ama bu artık pek tavsiye edilmiyor. orman aptalca tüm seçenekleri hatırlayacak

ve ayarların seçimi genellikle çok öznel bir şeydir, denemeniz gerekir

1'den küçükse, model kalan pimerler üzerinde doğrulanır (model, eğitim kümesine girmeyen veriler üzerinde değerlendirilir). klasiklere göre, r 0.67'ye ayarlanmıştır, kalan %33'te doğrulanmıştır. Tabii ki, bu büyük örnekler için geçerlidir, küçük olanlar için, çarpım tablosunda olduğu gibi, hiçbir anlamı yoktur, 1 koymak daha iyidir.

[Anatolii Zainchkovskii]

Maksim Dmitrievski :

her neyse, hiç değil, tüm işaretler kullanılmayacak, böylece genel olarak modelin herkes için, ne olacağını ayarlayabileceğiniz bir değişiklik var. Ama bu artık pek tavsiye edilmiyor. orman aptalca tüm seçenekleri hatırlayacak

ve ayarların seçimi genellikle çok öznel bir şeydir, denemeniz gerekir

1'den küçükse, model kalan pimerler üzerinde doğrulanır (model, eğitim kümesine girmeyen veriler üzerinde değerlendirilir). klasiklere göre, r 0.67'ye ayarlanmıştır, kalan %33'te doğrulanmıştır

genel olarak, denemeniz ve daha sonra ayar ile uğraşmanız gerekir. ipuçları için teşekkürler, batıracağım)

[Vladimir Perervenko]

Burada yanlışlıkla eski bir Python-MT4 API geliştirmesi buldum. Geçenlerde birisi bu konuyu işledi. Yardımcı olup olmadığına bakın https://github.com/zonquan/PyMT4

[Aleksey Terentev]

Öznitelik Seçimi

Biraz veri madenciliği. Özellik seçimi Chi^2 + KBest, RFE (Recursive feature elimination) + (SGDClassifier, RidgeClassifier), L2 (Ridge, RidgeClassifier), L1 (Lasso) ile yapılmıştır. Sırt düzenlemesi daha mantıklı sonuçlar verir.
Birkaç çizelge:

RFE + Sırt ve SGD

Sırt regresörü (L2)

Sırt sınıflandırıcı (L2)

Dosya, parametre değerleri tablosunu ve bunların özellik seçimine göre seçimini içerir.

En önemli katsayılar şunlardı:

• 10, 11 - Kapat, Delta(Aç-Kapat)
  
• 18-20 - Türev Yüksek, Düşük, Kapat
  
• 24 - Günlük türevi Kapat
  
• 29, 30 - Düşük
  
• 33 - Detranding Close - Lowess
  
• 35 - EMA 26 (13 isteğe bağlı)
  
• 40 - Türev EMA 13
  

not. Tablodaki Ridge Classifier satırı tek bir sınıfa dayalıdır, diğer sınıflara parametre bağımlılıklarını yansıtmaz.
Komut dosyasına bağlantı .

[Maxim Dmitrievsky]

Yeni bir ağ şeması çizdim, bu ilk açıklama. Devam filmi olacak (umarım)

https://rationatrix.blogspot.ru/2018/01/blog-post.html

[Aleksey Terentev]

Maksim Dmitrievski :

Yeni bir ağ şeması çizdim, bu ilk açıklama. Devam filmi olacak (umarım)

https://rationatrix.blogspot.ru/2018/01/blog-post.html

Ve sanırım ilk mesaj silinmiş. Diyagramı blogladı. =)