Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2121

 
elibrarius :

Gönderildi - hiçbir şey vermedi

Garip ... Tamam, bu konuya bakacağım - sonra abonelikten çıkın.

 
Bu arada, CatBoost kodunda bir niceleme yöntemi var
 GreedyMinEntropy

hangi resmi belgelerde listelenmemiş.

 
Maxim, öğrenme oranının nerede daha yüksek olduğunu, python'da veya CatBoost'un konsol versiyonunda karşılaştırabilir misin?
 
Alexey Vyazmikin :
Maxim, öğrenme oranının nerede daha yüksek olduğunu, python'da veya CatBoost'un konsol versiyonunda karşılaştırabilir misin?
Aynı, aynı program
 
Alexander_K :

Garip ... Tamam, bu konuya bakacağım - sonra abonelikten çıkın.

İlk başta hatıralardan konuştu ve yanlış olduğu ortaya çıktı.

Sadece çapraz doğrulama ile kontrol edildi. Zaman hala yeni verilerde %1-2'lik bir artış sağlıyor. Başarılı tahminlerin başarısız olanlara göre toplam baskınlığı TP=SL için yaklaşık %5'tir. Onlar. Başarıya katkının %10 ila %30'u zamandan gelir.

Ancak, bu 2 aylık bir tarih parçası üzerinde bir testtir. Öte yandan, işler değişebilir.
 

Zaman kosinüs ve sinüs şeklinde verilir. Burada tartışıldı https://www.mql5.com/ru/forum/212376#comment_5983502

Sadece 0...5 ( haftanın günü ) veya 0...23 (saat) veya 0...59 (dakika) şeklinde de mümkündür, ancak kategorik bir değişken olarak.
Sinüs ve kosinüs zaten sayısaldır, herhangi bir algoritma kabul eder.

Обсуждение статьи "Глубокие нейросети (Часть II). Разработка и выбор предикторов"
Обсуждение статьи "Глубокие нейросети (Часть II). Разработка и выбор предикторов"
  • 2017.07.31
  • www.mql5.com
Опубликована статья Глубокие нейросети (Часть II). Разработка и выбор предикторов: Автор: Vladimir Perervenko...
 

Aktif öğrenme adı verilen nispeten yeni bir yön var. Bu, verileri en iyi şekilde işaretleyebilir. Yaklaşımım için uygun görünüyor (rastgele örnekleme). Ben derine inene kadar

https://libact.readthedocs.io/en/latest/overview.html

https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99

Overview — libact 0.1.3 documentation
  • libact.readthedocs.io
libact is a Python package designed to make active learning easier for real-world users. The package not only implements several popular active learning strategies, but also features the active-learning-by-learning meta-algorithm that assists the users to automatically select the best strategy on the fly. Furthermore, the package provides a...
 
mytarmailS :

Frekanslar ve muhtemelen fazlar yol boyunca yüzer .. Genlikleri koruyun ...

10k 4 harmonik geçmişinde takılı modelin 500 noktası için bir tahmin

Tahminin 500 noktanın tümü için geçerli olduğu görülebilir, ancak frekanslar değişkendir ve anlaşılmaz bir algoritmaya göre yüzerler.

ve bu başka bir güzel örnek, genel olarak kalayda olur

Artışları denediniz mi?

Goodman, "Bir dizi artışın yararlı özelliklerinden biri, orijinal işleme kıyasla spektrumun daha fazla kararlılığıdır." Yazıyor.

 
elibrarius :

Zaman kosinüs ve sinüs şeklinde verilir. Burada tartışıldı https://www.mql5.com/en/forum/212376#comment_5983502

Sadece 0...5 ( haftanın günü ) veya 0...23 (saat) veya 0...59 (dakika) şeklinde de mümkündür, ancak kategorik bir değişken olarak.
Sinüs ve kosinüs zaten sayısaldır, herhangi bir algoritma kabul eder.

Zamanı sinüs \ kosinüs'e dönüştürmek için bir işlev gönderebilir misiniz? Ben de bu yöntemi deneyecektim. Yayınladığım yazıda saat sayısının önemli bir yordayıcı olduğu ortaya çıktı. Merak ediyorum bu yöntem ahşap modeller için mi yoksa daha fazlası sinir ağları için mi uygun?