Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1116
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
OOS bölümünü seçmek dışında, eğitimden önce veriler karıştırılıyorsa neden zamana ihtiyacınız var ... Merak etmeyin, sonuçları daha iyi gösterin ...
İhtiyacım var.
Sonuçlar. Konuma bakın. İş için oradalar.
itslek geçerlilik için koştu)))
42 örneklik veri seti! 42 karl!
Bundan sonra zaman serilerinde genellikle tarih saat hakkında sessiz kalırım
bakıyoruz.
Tahmin ediciyi iki kısma ayırın: bir kısım bir sınıfa, diğer kısım başka bir sınıfa aittir. Her yarının histogramını oluşturuyoruz ve birleştiriyoruz.
Böyle.
Farklı kalitede tahminciler, ancak hepsinin öncekinden çok daha iyi bir tahmin yeteneği var (bellekten)
Aralarındaki farkı daha gerçekçi bir şekilde gösterecek ve bir resim biçiminden daha doğru olacak histogramlar arasındaki mesafenin bir ölçüsünü tanıtmak gerekir.
42 örnek için veri seti
Dinle, seni anlamıyorum .... AI'nız 1000 örnekten öğrenebilecek kadar havalıysa, o zaman böyle bir örnek onun için fındık gibi olacaktır. Sorun nedir?
bakıyoruz.
Tahmin ediciyi iki kısma ayırın: bir kısım bir sınıfa, diğer kısım başka bir sınıfa aittir. Her yarının histogramını oluşturuyoruz ve birleştiriyoruz.
Böyle.
Farklı kalitede tahminciler, ancak hepsinin öncekinden çok daha iyi bir tahmin yeteneği var (bellekten)
Aralarındaki farkı daha gerçekçi bir şekilde gösterecek ve bir resim biçiminden daha doğru olacak histogramlar arasındaki mesafenin bir ölçüsünü tanıtmak gerekir.
Harika...devam ediyor. Eğitilmiş modelin sonucuna ihtiyacımız var. Veri analizi güzel ama yanılmıyorsam en önemlisi kâr. Bu yüzden mümkünse takas etmenizi rica ediyorum...
Dinle, seni anlamıyorum .... AI'nız 1000 örnekten öğrenebilecek kadar havalıysa, o zaman böyle bir örnek onun için fındık gibi olacaktır. Sorun nedir?
tam tersi...
daha iyi algoritma daha kötüdür, ancak harika algoritmadan daha fazla örnek ancak daha az veridir.
1000 bile yetmez özellikle piyasa için...
tam tersi...
Hangi AI aracının kullanılacağına bağlı olarak .... katılıyorum. Bazıları için numune boyutunun büyük olması gerekir ve bazıları için destek vektörü vektörü gibi büyük bir numuneye gerek yoktur, çünkü yöntem kaynak yoğundur ve büyük bir numune ile son derece uzun zaman alır ...
Hangi AI aracının kullanılacağına bağlı olarak .... katılıyorum. Bazıları için numune boyutunun büyük olması gerekir ve bazıları için destek vektörü vektörü gibi büyük bir numuneye gerek yoktur, çünkü yöntem kaynak yoğundur ve büyük bir numune ile son derece uzun zaman alır ...
AI nedir?
Tahmin yeteneğindeki kötü olmayan sonuçlar, sadece saçma bir gözlem sayısı = 51 olduğundan, istikrarlı modellerin oluşturulmasına yol OLMAYACAKTIR. En az 10 kat daha fazlasına ihtiyacınız var, ancak 100 kat daha fazlasına ihtiyacınız var.
Bu sayıda gözlem üzerine modeller kurarsanız, sonuçlar korkunç olur.
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 42,9 28,6 40
(0,1] 28,6 0,0 100
Genel hata: %57.1, Ortalama sınıf hatası: %70
Çıngırak zaman damgası: 2018-10-18 21:29:39 kullanıcı
================================================= ====================
Mic1.txt [doğrula] üzerindeki Doğrusal model için hata matrisi (sayılar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 1 4 80
(0.1] 2 0 100
Mic1.txt [doğrula] üzerindeki Doğrusal model için hata matrisi (oranlar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 14,3 57,1 80
(0,1] 28,6 0,0 100
Genel hata: %85,7, Ortalama sınıf hatası: %90
Çıngırak zaman damgası: 2018-10-18 21:29:39 kullanıcı
================================================= ====================
Mic1.txt [doğrula] üzerindeki Neural Net modeli için hata matrisi (sayılar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 2 3 60
(0.1] 1 1 50
Mic1.txt [doğrula] üzerindeki Neural Net modeli için hata matrisi (oranlar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 28,6 42,9 60
(0,1] 14,3 14,3 50
Genel hata: %57.1, Ortalama sınıf hatası: %55
Çıngırak zaman damgası: 2018-10-18 21:29:39 kullanıcı