Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 896
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
ve size bu modellerin OOS'taki Reshetovsky modelleriyle TAM aynı şekilde çalıştığını söyleyeceğim. Düz bire bir.
Yani, senin durumunda, HİÇBİR şekilde? Ben de söyleyeceğim, cemaat kilisesinin 3. sınıfının dolgunluğundan daha fazlası
Yani, senin durumunda, HİÇBİR şekilde? Ben de söyleyeceğim, cemaat kilisesinin 3. sınıfının dolgunluğundan daha fazlası
Bu sefer değil Maksimka, bu sefer değil....... Sihirbaz haklıydı. Verilerin kalitesi, büyüklük sırasına göre arttı, dolayısıyla modelin kalitesi......
En sevdiğim sihirbazlardan ikisi yeniden arkadaş oldu. Onları ne bekliyor?
Hayır .... henüz özür dilemedi .... henüz özür dileyecek bir şey olmamasına rağmen ....
hayır, hiç yapmadım
Bunun neden gerekli olduğunu gerçekten anlamıyorum, çünkü örneğin, orman zaten evrensel bir sınıflandırıcı veya tahmin edicidir ve elle düzenlenecek hiçbir şey yoktur.
ve tek ağaçlar oldukça zayıf ilkel algoritmalardır
Ağaç daha çok analizden sonra oluşan net bir mantık ve geri kalan her şey şimdilik bana uygun görünüyor.
Piyasadaki farklı durumları hesaba katmak için uygun bir araç olarak ağaçla ilgilendim, yani. onunla, aynı kalıbı farklı koşullar altında kullanmak uygundur, bu koşulların vurgulanması kalıbı etkinleştirir veya etkinleştirmez. Bu, kolayca programlanabilen karmaşık modeller oluşturmak için çok güzel bir araçtır, ancak uygun bir program yoktur.
Ve eğer bir ağaç mevcut tahmin edicilerin %90'ında bir sonuç veriyorsa, o zaman bu zaten çoktan fazladır, o zaman bir sinir ağının veya bir ağaç topluluğunun anlamı nedir? Ağaç, tahmin edici sınıflandırma alanlarını vurgulamak için mantıksal kurallar (>/</==) kullanıyorsa, o zaman sonucun daha iyi olduğunu fark ettim, anladığım kadarıyla, ağaç mevcut tüm sonuçlardan geçmez ya da kesildiğinde, küçük bir takviye ile kurallar kesilir, bunun sonucunda numunenin güvenilir tanınmasının %5-10'u kaybolur.
Ve eğer bir ağaç mevcut tahmin edicilerin %90'ında bir sonuç veriyorsa, o zaman bu zaten çoktan fazladır, o zaman bir sinir ağının veya bir ağaç topluluğunun anlamı nedir? Ağaç, tahmin edici sınıflandırma alanlarını vurgulamak için mantıksal kurallar (>/</==) kullanıyorsa, o zaman sonucun daha iyi olduğunu fark ettim, anladığım kadarıyla, ağaç mevcut tüm sonuçlardan geçmez ya da kesildiğinde, küçük bir takviye ile kurallar kesilir, bunun sonucunda numunenin güvenilir tanınmasının %5-10'u kaybolur.
mesele şu ki, 1 ağaç, kalıplardaki değişikliklere uyum sağlama şansı olmadan diziyi basitçe öğrenir (ve her zaman piyasada olacaklardır)
topluluklarda yeni veriler üzerindeki kararlılığı artıran birçok rastgele bileşen vardır.
evet ağaç kesmeye budama denir
Stoned Maksimka the Magician sizi hiç bir şeye sokmaz.
Ruhunun derinliklerini anlamıyor.
Makinede dün hiç koştu. Ona dikkat et))) ölüyorum ...
Ben bir sihirbaz mıyım? Gönderilerim sihirli bir şekilde kaybolmaz.
sadece bir istatistik provokatör
evet sigara içmem
mesele şu ki, 1 ağaç, kalıplardaki değişikliklere uyum sağlama şansı olmadan diziyi basitçe öğrenir (ve her zaman piyasada olacaklardır)
topluluklarda yeni veriler üzerindeki kararlılığı artıran birçok rastgele bileşen vardır.
evet ağaç kesmeye budama denir
Kalıpların nasıl değişeceğini nasıl bilebiliriz? Ağ, örneği 100 parçaya bölebilir ve bu bölümlerde sadece tahmin edicilerin ilişkilerini değil, aynı zamanda bu ilişkilerdeki değişimin doğasını da keşfedebilir mi? desenler? Eğer yaparsa, evet, kalıpları değiştirmek için kurallar kabul edebilir, ama okuduğum her şey sapkın bir sınıflandırma gibi görünüyor.
Ağaçla ilgili sevdiğim şey, hiyerarşinin görevidir, şu anda çalıştığım programda temel bir hiyerarşi oluşturabilirsiniz ve ondan otomatik bir hesaplama yapabilirsiniz (şimdiye kadar zahmetli, ama belki de yapmıyorum' tüm araçları kullanmayın, çünkü birçoğu adlarıyla bana açık değil). Örneğin, bir ATS oluşturmak için, TS'nin bir ticaret kararı vermek için yanıtlaması gereken aşağıdaki soruları kullanıyorum:
- Neredeyim? (Fiyat konum noktasının açıklaması)
- Buraya nasıl geldin? (Koşullu olarak zıt bir noktadan mevcut olana hareketin doğasının analizi)
- Ne olabilir? (Muhtemel olayların gelecekte meydana geldiklerinde hesaplanması)
- Ne yapalım? (İlk 3 sorunun cevabını dikkate alarak tarihsel kalıpların analizi)
- Riske değer mi? (Bir ticarete girmeden kaynaklanan olası zararların ve olası kârın analizi)
Dolayısıyla ağ/ağaç/ormanların ticaretle ilgili bir karar verirken bu soruları aynı sırayla yanıtlamasını istiyorum.
Kalıpların nasıl değişeceğini nasıl bilebiliriz? Ağ, örneği 100 parçaya bölebilir ve bu bölümlerde sadece tahmin edicilerin ilişkilerini değil, aynı zamanda bu ilişkilerdeki değişimin doğasını da keşfedebilir mi? desenler? Eğer yaparsa, evet, kalıpları değiştirmek için kurallar kabul edebilir, ama okuduğum her şey sapkın bir sınıflandırma gibi görünüyor.
orman tam da bunu yapar, çapraz doğrulamalı sinir ağları ve / veya temel model toplulukları da
+ çeşitli düzenlemeler
orman tam da bunu yapar, çapraz doğrulamalı sinir ağları ve / veya temel model toplulukları da
NS hakkında - belki henüz bir şey anlamıyorum ...
Orman bunu nasıl yapıyor? Orman sadece rastgele tahminciler alır ve aralarındaki bağlantıları arar ve ardından oy kullanır. Ortaya çıkan örneklem/tahmin edici rastgeleliğine bağlı olarak durağan bir modele sahip örnek üzerinde ya yanlış/doğru oy verecek ya da örneklemdeki kalıpların değiştiğini varsayarak doğru oyu bu örneğe yanlı olacaktır. Ama değişen kalıpların analizi nerede? Anladığım kadarıyla, tahmin edicilerin ne kadar iyi olduğunu bilmediğiniz zaman orman iyidir, o zaman tahmin edicilerin karşılıklı takviyesinin yokluğunda, bu tür tahmin edicilerin ya oy ağırlığı olmayacak ya da ağırlıkları önemli olmayacaktır. Yoksa her şeyi tamamen yanlış mı anlıyorum?