Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2385
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
Görünüşe göre Aleksey bilgi işlem gücü sunmuş, uzun süredir bir şeyleri saymayı seviyor, belki seni kooperatif yapabilir :)
vektörleştirme olmadan R'de hala yavaş olacaktır. Bazı hızlı veritabanı aracılığıyla mümkündürEvet, prensipte yavaş kısımları vektörleştirdim, algoritmanın mantığının çok optimize edilmesi gerekiyor, oturuyorum ve yeniden düşünüyorum, zaten nasıl 5 kat hızlandıracağımı buldum, kodu yeniden yazdım .. .
Çok az işaret var, çok ilkel, bununla da bir şeyler yapılması gerekiyor, hedefi gerçekten sevmiyorum ...
Aman tanrım... Tadilat gibi, ancak başlayabilirsin..
Tabii ki görmüyorsun)) ve görsen beni hiçbir şekilde etkilemez)
Deneyin, sadece sonuç en iyi ihtimalle Rastgele Orman gibi olacaktır, yani hayır...
Orman çıktısı, tetiklenen kuralların toplamıdır, kurallar hiçbir şekilde filtrelenmez veya reddedilmez ve yaklaşık %100 kusurlu olanlar vardır)
Kurallar, tekrarlanabilirlik (yalnızca bir işlem olabilir) veya yeterlilik (bir şey veriyor mu) için testi geçmiyor, kurallar basitçe verilere uzatılıyor (model verilere göre ayarlanıyor)
Bu model, çapraz doğrulamanın sürükleneceği umuduyla bir şekilde eğitim örneğine yaklaşır, ancak nesnel nedenlerle sürüklemez (piyasada çok az önemli olay vardır)
Farklı bir yaklaşım denedim, modeli verilere uydurmuyorum, hipotezler kuruyorum ve onları test ediyorum.
1) Kurallar şeklinde makul (zaten filtrelenmiş) hipotezler oluştururum.
2) Hipotezler küçük veriler üzerinde test edilir
3) Küçük veriler üzerinde test edilen hipotezler, büyük veriler üzerinde test edilir.
aslında, milyonlarca makul kuraldan bir yerde, bir tane kalır.
Hazırlıksız okuyucunun iki yaklaşım arasındaki farkı anlaması zordur, ancak aralarındaki fark bir uçurumdur.
Bir tür felsefe. Belirli bir şey yok...
Peki, neden, yol daha önce açıklandı ve her şey kesinlikle planlandığı gibi. Kurallar oluşturur ve onları kontrol ederiz, kurallar görevin mantığına/hedeflerine göre seçildiğinde bu olağan bir yaklaşım değildir. Onlar. genellikle başlangıçta karar için kurallar oluşturulur. Bu da mantıklı olmayan ancak sonuç veren kuralların kaybolmasına neden olur.
Bir tür felsefe. Belirli bir şey yok...
Peki, neden, yol daha önce açıklandı ve her şey kesinlikle planlandığı gibi. Kurallar oluşturur ve onları kontrol ederiz, kurallar görevin mantığına/hedeflerine göre seçildiğinde bu olağan bir yaklaşım değildir. Onlar. genellikle başlangıçta karar için kurallar oluşturulur. Bu da mantıklı olmayan ancak sonuç veren kuralların kaybolmasına neden olur.
+++
+++
Biraz daha felsefe
Bu tür yaklaşımlar için, şartlı olarak "hamster karşıtı" olarak adlandırılabilecek sonuçlar tipiktir - bu, hamsterin görünür olduğu, ancak olmadığı anlamına gelir. Bu, SB uygulamalarına benzer seriler için oldukça tipiktir.
Katılmıyorum. Elbette çok sayıda kural ve seçim mantığında bir sorun var. Her iki yaklaşımda da hedefler aynıdır.
Ve yolun hiç orada olmadığı gerçeği, kuralları kontrol edip yolu düzeltiyoruz))))
Gerçek kalıpları (varsa) doğru bir şekilde bulması gereken başka bir MO soyutlamam var, ancak bu doğru değil
Google'da herhangi bir Masonik veya Pentagon referansı bulamadım, bu yüzden şimdilik sır olarak saklıyorum.
Tohumlara tıkladığımda bir soyutlama buldumGerçek kalıpları (varsa) doğru bir şekilde bulması gereken başka bir MO soyutlamam var, ancak bu doğru değil
Google'da herhangi bir Masonik veya Pentagon referansı bulamadım, bu yüzden şimdilik sır olarak saklıyorum.
Tohumlara tıkladığımda bir soyutlama buldumGörünüşe göre unuttum: SB'nin gerçek kalıpları (varsa))))
Görünüşe göre Aleksey bilgi işlem gücü sunmuş, uzun süredir bir şeyleri saymayı seviyor, belki seni kooperatif yapabilir :)
vektörleştirme olmadan R'de hala yavaş olacaktır. Bazı hızlı veritabanı aracılığıyla mümkündürÜstelik bu yaklaşımı uzun yıllardır uyguluyorum.
Bununla birlikte, şimdi biraz ertelendi, çünkü gerçekten çok yavaş, bu da hedefi hızlı bir şekilde değiştirmeyi (başarılı olanı aramak) imkansız hale getiriyor ve bireysel kurallar, geçmişte nasıl kontrol ederseniz edin, çalışmayı durduruyor.
Maxim, bir CSV dosyasındaki verilere göre bir döngüde bir model (veya yüz model) oluşturacak bir python betiği yapabilir, ardından standart CatBoost araçlarını kullanarak tahmin edicilerin önemi için (onları) analiz edebilir, ardından devre dışı bırakabilir misiniz? / belirli koşullar altında tahmin edicilerin kullanımını etkinleştirin (CatBoost bunu yapabilir) ve tekrar yeni bir model oluşturun. Bu yöntem, model geliştirmeye yol açacak önemli tahmin edicileri vurgulayacaktır. Ben de buna benzer bir yöntem kullanıyorum ama bunu yapmak benim için çok sakıncalı çünkü her döngü, filtreleme/öngörücü ekleme işleminden sonra manuel olarak öğrenme döngüsünü yeniden başlatmam gerekiyor.