Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2388
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Aynı modeli birkaç kez yeniden eğiterek %1-2 oranında iyileştirme elde edilebilir)
ama 512 kez değil))
evet böyle çalışmıyor
modelden düşük içe aktarmaya sahip özellikleri kaldırın ve kırın, ardından parmağınızla (diğer özellikler) iyi karşılaştırın, vb. bir daire içinde
Şimdi Mashki ve benzeri şeylerle uğraşmak zorundayım.
Ayrıca 1 ile silmeyi denedim. siler. Çok fazla çöp olduğunda, model neredeyse bir savaşçının kaybını fark etmez)
Bunların hepsi akorttur ve orada bazı kalıpları aramanın bir yolu değildir, bu nedenle kuyruk köpeği sallamamalıdır.
İlk en iyi özelliği seçtikten sonra, birincisi ile birlikte en iyi etkileşime sahip ikincisi seçilecektir, vb. 10'a ulaştığınızda, bir sonraki, daha önce seçilen 10'dan herhangi biriyle, ancak büyük olasılıkla hepsiyle en iyi etkileşimde seçilecektir.
Tüm olası seçenekleri hemen atma hayranı değilim, belki de bu yaklaşım ilginç bir seçenek verebilir.
Mesele şu ki, her yinelemede herhangi bir özelliğin taranmasını hesaba katarak, otomatik olarak çok sayıda durdurma / başlatma döngüsü yapamıyorum.
Verileri bir yineleme için hazırlayabilirim, sonra tekrar hazırlamam gerekiyor - bu yüzden Python'a ihtiyacım vardı.
Bu arada, bu amaçlar için hazır bir otomat varsa, sizin yönteminizi kullanarak tahmincilerimi denemeye karşı değilim.
Tüm olası seçenekleri hemen atma hayranı değilim, belki de bu yaklaşım ilginç bir seçenek verebilir.
Mesele şu ki, her yinelemede herhangi bir özelliğin taranmasını hesaba katarak, otomatik olarak çok sayıda durdurma / başlatma döngüsü yapamıyorum.
Verileri bir yineleme için hazırlayabilirim, sonra tekrar hazırlamam gerekiyor - bu yüzden Python'a ihtiyacım vardı.
Bu arada, bu amaçlar için hazır bir otomat varsa, sizin yönteminizi kullanarak tahmincilerimi denemeye karşı değilim.
Sona ulaşırsanız, 1000 özellik için yaklaşık 1000000 model eğitilecektir.
Otomat basittir - 2 iç içe döngü. Antrenmanın otomatik başlamasında bir sorununuz var. Çöz, geri kalan her şey önemsiz olacak.
Sona ulaşırsanız, 1000 özellik için yaklaşık 1000000 model eğitilecektir.
Bu çok fazla - şimdi yaklaşık bir gün boyunca 1000 model eğitiliyor.
Belki rastgele bir ormanda paralelleştirilirse daha hızlıdır.
Otomat basittir - 2 iç içe döngü. Antrenmanın otomatik başlamasında bir sorununuz var. Çöz, geri kalan her şey önemsiz olacak.
Sorun bu, süreci otomatikleştiremiyorum.
Bunların hepsi akorttur ve orada bazı kalıpları aramanın bir yolu değildir, bu nedenle kuyruk köpeği sallamamalıdır.
İletmeye çalıştığım şeyin özünü anlamadınız - sınıflandırma istatistikleri açısından en iyi model, karlılık açısından en iyi anlamına gelmez. Bu, yalnızca sabit SL ve TP durumunda geçerlidir.
Gelir ve gider eğrilerini etkilemek için bir yöntem arıyorum - yeşil ve kırmızı eğri.
Eğitim sırasında örneğe verilen model yanıtının olasılık dağılımı şu şekilde görünür:
Yani bağımsız bir örnek gönderirken:
Gördüğünüz gibi, eğriler neredeyse birleşti, ancak desenler çok fazla bozulmadı - su eğrisi sıfır ve mıknatıs eğrisi birdir - oldukça makul bir şekilde yerleştirilmişler ve desenler küresel olarak korunmuş gibi görünüyordu, ancak fiyat Bu kalıpların çoğu, olduğu gibi, gelir/gider açısından tartılmadı.
Sorun bu, süreci otomatikleştiremiyorum.
bir sonraki makalede lütfen python kodunda dur ve kar al ekleyin