Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2128
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
Anlaşılan soruyu anlamadım.
MT5'te kategori öngörücüleri olan bir model yorumlayıcı yoktur ve komut satırına sahip CatBoost, görselleştirme gibi tamamen Pythonic şeyler dışında, python sürümü gibi her şeyi yapabilir.
Bu tercümanla birlikte mi, yoksa emrinizle mi arp ettiniz? Peki, neyin eksik olduğunu görmemiz gerekecek.
Bu ticari bir proje değildir. Rolüm, çözümü aktif olarak test etmeye indirgendi.
Bunu çözebilirseniz, toplum için iyi olur.
Genel olarak, gerçekten kategorik işaretlerin bir tür artış sağlayacağını görene kadar - ama çok uzun bir süre denedim, yerel durumları kategorik gibi tanımlayan tahmincilerim var, ancak girmediler.
anladığım kadarıyla çoklu sınıf yok
Henüz gerileme yok.
Eh, yaparsam, mql'de python'dan eğitimli modellerin ayrıştırıcısı şeklinde olacak. Henüz yanmadı, ancak olması gerekebilir.
Fark etmez, modelleri python için de kaydedebilirim.
Peki ya gerileme?
Durak ayarı üzerinde çalışan modeller için faydalı olabilir. Evet ve Mashka'nın bazen bir düzine çubukta tahmin edilmesi gerekiyor :)
Hangi özellikler / dönüşümler sizinkinden iyi bir sonuç veriyor?
Tahmin edicinin değerinin sonucu hedefe bağlıdır :) Şimdi sadece en iyi niceleme seviyelerini seçmek için bir deney kuruyorum, minimum eşiği geçmemiş olan tahminciler elimine edildi. Bunu söylemek için çok erken ama ilk sonuçlar olumlu. İşlem tek bir iş parçacığında uzun - bir günden fazla. Kuantum seviyelerini değerlendirmek için daha fazla kriter kullanmamız gerekiyor - bunu yapacağım - fikir, bir sinyalin olduğu yeri kazmaktır. Sonra daha fazla parsel alacağım, örneği filtreleyeceğim ve sadece bir yanıtın olduğu yerde çalışacağım - muhtemelen genetik ağaç zaten çalışacak - yaprakları çıkarmak için.
İlginç bir şey yaptım, etiketli veya etiketsiz herhangi bir veri kümesini dönüştürebilir, iyileştirebilirim
Bu ilginç - bağlantıyı gönderdiğim gerçeğini deneyebilirsiniz. Bazı tahmin edicilerde gerçekten bir hata var (kaydederken çift değil int olarak yazılmışlardı - nicelememi kaldırdım ve unuttum), ancak göreceli bir karşılaştırma için önemli değil.
Bu arada, nispeten ağır olanı hesaplamanız gerekiyorsa - hesaplayabilirim - şimdi bir fırsat var.
Bu ilginç - bağlantıyı gönderdiğim gerçeğini deneyebilirsiniz. Bazı tahmin edicilerde gerçekten bir hata var (kaydederken çift değil int olarak yazılmışlardı - nicelememi kaldırdım ve unuttum), ancak göreceli bir karşılaştırma için önemli değil.
Bu arada, nispeten ağır olanı hesaplamanız gerekiyorsa - hesaplayabilirim - şimdi bir fırsat var.
evet, henüz saymanıza gerek yok.. Yaklaşımımın çok özlü bir gelişimini arıyordum ve ilginç bir şeyle karşılaştım .. Daha doğrusu daha önce bilmediğimden değil, sadece düşünmedim kullan .. ve sonra bir şekilde bulmacalar bir araya geldi
Bu her derde deva değil, ancak ilginç bir sonuç veriyor. daha sonra göreceğiz
evet, henüz saymanıza gerek yok.. Yaklaşımımın çok özlü bir gelişimini arıyordum ve ilginç bir şeyle karşılaştım .. Daha doğrusu daha önce bilmediğimden değil, sadece düşünmedim kullan .. ve sonra bir şekilde bulmacalar bir araya geldi
Bu her derde deva değil, ancak ilginç bir sonuç veriyor. daha sonra göreceğiz
ilgiyle bekliyorum!
Basit bir korelasyondan sonra yayılma üstesinden gelinemez , ancak model yayılma olmadan yeni veriler üzerinde daha kararlıdır. Serilik için doğrulanmış herhangi bir model, n.d'ye yayılmadan dökülür, ancak trende ilkinden çok daha iyidir (ayrıca bir yayılma ile sürer). Bu açıkça serilik için yeniden eğitim ve başka bir şey olmadığını gösterir. Anlamanın zor olduğunu anlıyorum ama gerçek 🤣 Resimlere tekrar bakarsanız, ilkinde daha yüksek dağılım zirveleri ve belki de kuyruklar göreceksiniz. Bu serilik, oynaklık, her neyse. Neredeyse anında yeni verilere dönüşür, dolayısıyla fazla uyum sağlar. Bu ikinci alttaki resimde değil, geriye kalan her şey orada ve bu çöpte yayılmayı yenecek olan Alpha'yı aramanız gerekiyor. Sadece verilerinize bakın ve en azından serileştirmeyi kaldırın veya bir şekilde kuyrukları kaldırmak için dönüştürün. Ve sonra, normal küme grupları mı yoksa benimki gibi tam bir rasgele mi var, geriye kalanların sınıf dağılımlarına bakın. Böylece çalışan veri setini veya çöpü görsel olarak bile anlayabilirsiniz. Ve sonra trenle doğrulamaya müdahale edebilirsiniz, bu hiçbir şeyi etkilemeyecektir. Ve sen "sadece bir resim" diyorsun
Yapmalısın Fedya, yapmalısın!
Gündüz ve gece uykusuz ve dinlenmeden çalışırsınız))))
robot musunuz?
Gündüz ve gece uykusuz ve dinlenmeden çalışırsınız))))
Yapmalısın Fedya, yapmalısın!
:))))