Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1193
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
mql5 için de... ama burada iyi bir test cihazı ve temel var :)
İşin püf noktası bu, kendim dönüyorum, vakit varken her şeyi okumaktan yoruldum
Burada hedeflere karar vermeniz gerekiyor - yüksek sesle düşünmek))), hedef Pazardaki bir ürünse, ne yazık ki, o zaman her şey MQL'de, hedef kişisel kullanım veya bu forumun dışında dağıtım ise, o zaman görev .dll alma ve MT ile bağlantı kurma olasılığına iner
işin püf noktası bu, kendim dönüyorum, vakit varken her şeyi okumaktan yoruldum
Burada hedeflere karar vermeniz gerekiyor - yüksek sesle düşünmek))), hedef Pazardaki bir ürünse, ne yazık ki, o zaman her şey MQL'de, hedef kişisel kullanım veya bu forumun dışında dağıtım ise, o zaman görev .dll alma ve MT ile bağlantı kurma olasılığına iner
amaç MO'da harika bir bot, gerisi çöp. Piyasa için yazarsanız, promosyon ticaret performansından daha önemlidir, ayrıca aptal alıcılar tüm beyne dayanır (deneyim vardır). Kod tabanından hemen hemen her göstergeyi veya danışmanı alıp piyasada satabilirsiniz.. veya her gün yeni olan Gribachev gibi 200 yığın yayınlayın, ancak samurayın yolu bu değil.
Karını veya kiralık köleni bilgisayar başına koymalısın ki müşterilerle iletişim kursunlar o zaman kendin buna zaman harcamazsın :)amaç MO'da harika bir bot, gerisi çöp. Piyasa için yazarsanız, promosyon ticaret performansından daha önemlidir, ayrıca aptal alıcılar tüm beyne dayanır (deneyim vardır). Kod tabanından hemen hemen her göstergeyi veya danışmanı alıp piyasada satabilirsiniz.. veya her gün yeni olan Gribachev gibi 200 yığın yayınlayın, ancak samurayın yolu bu değil.
Karını veya kiralık köleni bilgisayar başına koymalısın ki müşterilerle iletişim kursunlar o zaman kendin buna zaman harcamazsın :)Bunu zaten öngördüm, bu nedenle Pazarda değerli bir şeyi "püflemenin" ve yaymanın gerekli olduğunu düşünmüyorum - ürün için destek sağlayamayacağım, tk. çok zaman alacak ve her türlü çöpü orada depolayacak, ümidiyle 30 dolar vermek isteyenlerin vicdanı izin vermediği için)))
Not: en basit göstergede sipariş ızgaraları ... sonsuza kadar, sonsuza kadar çalışır (bazen + sonra - içinde) ve her zaman kullanıcılar tarafından talep edilir))))
Bunu zaten öngördüm, bu nedenle Pazarda değerli bir şeyi "püflemenin" ve yaymanın gerekli olduğunu düşünmüyorum - ürün için destek sağlayamayacağım, tk. çok zaman alacak ve her türlü çöpü orada depolayacak, ümidiyle 30 dolar vermek isteyenlerin vicdanı izin vermediği için)))
Not: en basit göstergede sipariş ızgaraları ... sonsuza kadar, sonsuza kadar çalışır (bazen + sonra - içinde) ve her zaman kullanıcılar tarafından talep edilir))))
martins, ağlar evet .. her türlü zhakhalchiki, bu sonsuz :)
Sonra fikir akla geldi - MO aracılığıyla yeniden eğitimi belirlemek. Hala catboost'u seçiyorum, orada olasılık terimleriyle bir tahmin alabilirsiniz - 0 ila 9 olasılık arasında gruplara dağılmış - algılama kolaylığı ve daha fazla analiz için - dağılımlara, standart sapmaya , basıklığa, asimetriye, parçalanmış da dahil olmak üzere baktım hedef ve hata dağılımlarına, her gruptaki cevapların doğruluğuna. Şimdi AUC F1 ve diğerleri gibi modeli değerlendirmek için çeşitli standart göstergeler çıkaracağım, orada öğrenmenin dinamiklerini görmek mümkün olacak, ancak bunu en iyi nasıl tanımlayacağımı henüz bilmiyorum.
Grafikte iki model var - dağıtım grubu * doğru sınıflandırma grubu. Mavi model, sınav örneğinde daha iyidir.
Modeli değerlendirmek için başka hangi yordayıcıları ortaya çıkarabilirsiniz?
Sonra fikir akla geldi - MO aracılığıyla yeniden eğitimi belirlemek. Hala catboost'u seçiyorum, orada olasılık terimleriyle bir tahmin alabilirsiniz - 0 ila 9 olasılık arasında gruplara dağılmış - algılama kolaylığı ve daha fazla analiz için - dağılımlara, standart sapmaya , basıklığa, asimetriye, parçalanmış da dahil olmak üzere baktım hedef ve hata dağılımlarına, her gruptaki doğru cevaplar. Şimdi AUC F1 ve diğerleri gibi modeli değerlendirmek için çeşitli standart göstergeler çıkaracağım, orada öğrenmenin dinamiklerini görmek mümkün olacak, ancak bunu en iyi nasıl tanımlayacağımı henüz bilmiyorum.
Grafikte iki model var - dağıtım grubu * doğru sınıflandırma grubu. Mavi model, sınav örneğinde daha iyidir.
Modeli değerlendirmek için başka hangi yordayıcıları ortaya çıkarabilirsiniz?
harika, hepsinin yaptığı şey bu
Modeli değerlendirmek için metrikler kullanılır, tahmin ediciler değil, standart olanlar genellikle yeterlidir, ancak kendiniz de yapabilirsiniz.
genellikle, ormandaki hata ne kadar büyük olursa, değerlerin yayılması (dağılımı) o kadar küçük olur, yani. 0,5 civarında beyaz gürültü, bu anlamda mavi çizgi kırmızı olandan daha kötüharika, herkesin yaptığı şey bu
Modeli değerlendirmek için metrikler kullanılır, tahmin ediciler değil, standart olanlar genellikle yeterlidir, ancak kendiniz de yapabilirsiniz.
genellikle, ormandaki hata ne kadar büyük olursa, değerlerin yayılması (dağılımı) o kadar küçük olur, yani. 0,5 civarında beyaz gürültü, bu anlamda mavi çizgi kırmızı olandan daha kötüHa, yani mesele sadece farklı hesaplama formülleri kullanarak bir değerlendirme değil, bir değerlendirme kriteri bulmaktır! Formüllü tüm bu yaklaşımlar, modeli durağan olarak değerlendirir, ancak daha fazla çalışmaya devam etme yeteneğinden bahsetmez ve tam olarak başarmak istediğim şey budur, bu nedenle, bir kombinasyondan bir model bulmanın mümkün olması için tahmin ediciler üretiyorum. ML kullanan farklı göstergeler.
Dağılım hakkında - yaptığınız çok garip bir açıklama, belki de sadece değerlerin sınıflandırma değerleri ve doğru cevapların yüzdesi dikkate alınmadan bulunması gerçeğini hesaba katar. X ekseni boyunca sıfırdan 5'e kadar olan grafikte, bir sıfır kümesinin ürünü ve bunların doğru sınıflandırması ve tam tersine 5'ten birler.
İşte grafikteki kalıplar, ancak "1" hedefinin dağılımı gösteriliyor
Gördüğünüz gibi, kırmızı modelde, dağılım yüzdesi 5 ile kaydırılmıştır, bu, “birimlerin” doğru sınıflandırma şansına sahip olmadığı ve şansı olanların mavi modelden daha az olduğu anlamına gelir - 23 sırasıyla % ve %28.
Ve burada sınıflandırmanın aslına uygunluğu nasıl değişir?
Tabii ki, böyle düzleştirilmiş bir model kullanabilirsiniz, ancak sınıflandırma bölümünü 0,5'ten 0,7'ye kaydırmanız gerekir, örneğin, işleme için sadece çok az malzeme kalır, ancak diğer yandan bu tür kenetlenmiş modeller birleştirilebilir. ..
Ha, yani mesele sadece farklı hesaplama formülleri kullanarak bir değerlendirme değil, bir değerlendirme kriteri bulmaktır! Formüllü tüm bu yaklaşımlar, modeli durağan olarak değerlendirir, ancak daha fazla çalışmaya devam etme yeteneğinden bahsetmez ve tam olarak başarmak istediğim şey budur, bu nedenle, bir kombinasyondan bir model bulmanın mümkün olması için tahmin ediciler üretiyorum. ML kullanan farklı göstergeler.
Dağılım hakkında - yaptığınız çok garip bir açıklama, belki de sadece değerlerin sınıflandırma değerleri ve doğru cevapların yüzdesi dikkate alınmadan bulunması gerçeğini hesaba katar. X ekseni boyunca sıfırdan 5'e kadar olan grafikte, bir sıfır kümesinin ürünü ve bunların doğru sınıflandırması ve tam tersine 5'ten birler.
İşte grafikte bu modeller, ancak hedef "1" dağılımı gösteriliyor
Gördüğünüz gibi, kırmızı modelde, dağılım yüzdesi 5 ile kaydırılmıştır, bu, “birimlerin” doğru sınıflandırma şansına sahip olmadığı ve şansı olanların mavi modelden daha az olduğu anlamına gelir - 23 sırasıyla % ve %28.
Ve burada sınıflandırmanın aslına uygunluğu nasıl değişir?
Tabii ki, böyle düzleştirilmiş bir model kullanabilirsiniz, ancak sınıflandırma bölümünü 0,5'ten 0,7'ye kaydırmanız gerekir, örneğin, işleme için sadece çok az malzeme kalır, ancak diğer yandan bu tür kenetlenmiş modeller birleştirilebilir. ..
Önyargılı olduğu gerçeği sadece bazı sınıfların lehinde konuşuyor, trend olan bir pazarda olabilir, yani. eğitim örneği (kabaca).
Ve mavi olanı alırsanız, olasılıklarda keskin bir düşüş elde edersiniz, yani. ideal olarak, sinyal olasılığı 1 ise, o zaman maksimum 0,6-0,7'ye sahipsiniz, yani. her iki sınıf da bir veya diğer sınıfa doğru hafif sapmalarla 0,5 civarında döner, aslında sinyaller değil gürültü vardır veya model oldukça düzenlidir
hatalarla test seti üzerinde çalışmaya devam etme yeteneği .. trende hatalara yaklaşabilirseniz, o zaman model kural olarak iyidir
Önyargılı olduğu gerçeği sadece bazı sınıfların lehinde konuşuyor, trend olan bir pazarda olabilir, yani. eğitim örneği (kabaca).
Modeli aynı koşullarda karşılaştırıyoruz, işte farklı verilerde aynı modeller, hedef birimler sınıflandırmaya giriyor 1 - 35 vs. %39
sınıflandırma doğruluğu
ve tüm değerlerin birikimi merkeze daha yakın olduğu için ürünü alırız
Ve mavi olanı alırsanız, olasılıklarda keskin bir düşüş elde edersiniz, yani. ideal olarak, sinyal olasılığı 1 ise, o zaman maksimum 0,6-0,7'ye sahipsiniz, yani. her iki sınıf da bir veya diğer sınıfa doğru hafif sapmalarla 0,5 civarında döner, aslında sinyaller değil gürültü vardır
hatalarla test seti üzerinde çalışmaya devam etme yeteneği.. trende hatalara yaklaşabilirseniz, o zaman model kural olarak iyidir
Bu olasılık neden "1" olsun - daha doğrusu, bu kendine güven, tam tersine, doğru (ideal) modelde 0.1 ile 0.3 ve 0.7 ile 0.9 arasında iki tümsek olması gerektiğini düşünüyorum - yaklaşık olarak göstereceği gibi istikrar ve yeterlilik, ancak şu ana kadar böyle modelleri gözlemlemedim aslında.
Tahmini katsayıların değerlerinin yaklaşımı hakkında - evet, katılıyorum - deltaya bakacağım ve dinamikler üzerinde bir dizi ölçüm yapacağım - catbust'ta, ağaçlara eklendiğinde göstergelerin nasıl değiştiğini görebilirsiniz. modeli.Modeli aynı koşullarda karşılaştırıyoruz, işte farklı verilerde aynı modeller, hedef birimler sınıflandırmaya giriyor 1 - 35 vs. %39
sınıflandırma doğruluğu
ve tüm değerlerin birikimi merkeze daha yakın olduğu için ürünü alırız
Bu olasılık neden "1" olsun ki - daha doğrusu, bu kendine güven, tam tersine, doğru (ideal) modelde 0,2 ile 0,4 ile 0,7 ile 0,9 arasında iki tümsek olması gerektiğini düşünüyorum - yaklaşık olarak göstereceği gibi istikrar ve yeterlilik, ancak şu ana kadar böyle modelleri gözlemlemedim aslında.
Tahmini katsayıların değerlerinin yaklaşımı hakkında - evet, katılıyorum - deltaya bakacağım ve dinamikler üzerinde bir dizi ölçüm yapacağım - catbust'ta, ağaçlara eklendiğinde göstergelerin nasıl değiştiğini görebilirsiniz. modeli.olayın olasılığı ne kadar yüksekse, sinyal o kadar doğru, tanımdan bile geliyor gibi görünüyor :) girişlerden hiç emin değil