Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3029
![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
Bahsettiğim bağlamda - sınıflardan birine ait olma olasılığı tüm aralıktaki ortalamadan yüzde x daha fazla olan bir yığını (kuantum segmenti) belirlemek için bir dizi verinin parçalı olarak değerlendirilmesi.
Nicelleştirme nedir?)
Bir süre önce catbust'tan gelen bir kod vardı.
Bahsettiğim bağlamda, sınıflardan birine ait olma olasılığı tüm aralıktaki ortalamadan yüzde x daha yüksek olan bir parçayı (kuantum segmenti) belirlemek için bir dizi verinin parçalı olarak değerlendirilmesidir.
Bir süre önce catbusta'dan bir kod vardı.
Bir göz atın, neler olduğunu göreceksiniz.
Bir süre önce catbusta'dan bir kod vardı.
Karmaşık bir şey. Sütunu sıralayın ve 32 parçaya bölün, örneğin çiftler varsa, hepsi kuantuma atılır. Sütunda sadece 0 ve 1 varsa, o zaman 32 değil 2 kuanta olacaktır (çünkü kopyalar).Destek ve kâr maksimizasyonu nasıl gidiyor?
Şimdiye kadar şans yok, özellikle bousting için) Pürüzsüzlüğe ihtiyacı var, böylece gradyan ve kendir var. Kar öyle olmayacaktır, bu yüzden nasıl pürüzsüzleştireceğinizi düşünmeniz gerekir.
Geçenlerde burada yazdığım tek ağacın yerel varyantı şimdilik benim için yeterli.
Bahsettiğim bağlamda - sınıflardan birine ait olma olasılığı tüm aralıktaki ortalamadan yüzde x daha fazla olan bir yığını (kuantum segmenti) belirlemek için bir dizi verinin parçalı olarak değerlendirilmesi.
Özünde, her bir öngörücü için ayrı ayrı bir ağaç oluşturulduğu ortaya çıkmaktadır.
Şimdiye kadar hiçbir şekilde, özellikle bousting için) Orada pürüzsüzlüğe ihtiyacınız var, bu yüzden gradyan ve hessian'a ihtiyacınız var. Kar öyle olmayacak, bu yüzden onu nasıl yumuşatacağımızı düşünmemiz gerekiyor.
Geçenlerde burada yazdığım tek ağacın yerel varyantı şimdilik benim için yeterli.
Size linkini verdiğim videoyu izlediniz mi?
Oradaki adam düzgün olmayan bir ağacın RL aracılığıyla nasıl düzgün bir ağaca dönüştürülebileceğinden bahsediyordu.
Halk bilgeliğine göre ağaçlar için ormanı göremezsiniz. Yaprakları toplayarak bir ağacı görebilir misiniz merak ediyorum. Ormanı sormuyorum.
Bildiğiniz tek algoritma bu mu? Ya da en verimlisi bu mu? Neden buna takıldınız?
Geçici bir düşünce.
İyi şanslar.
Soru oldukça alakalı. Benim için cevap kabaca şu: Eğer tahmin ediciler homojen ise (örneğin bir resmin pikselleri veya son N mum), o zaman sınıfların şekli keyfi olabilir, bu nedenle kurallar çok uygun değildir. Tahmin ediciler heterojen ise (örneğin, fiyat ve zaman), sınıfların kurallar tarafından verilen dikdörtgen bir şekle sahip olma olasılığı daha yüksektir.
Elbette bunun için net bir gerekçe yoktur, sadece bir hipotezdir.
Linkini verdiğim videoyu izlediniz mi?
Orada adam sadece RL aracılığıyla pürüzsüz olmayanın nasıl pürüzsüz hale getirileceğinden bahsediyordu
Sanırım bu farklı bir matematik. Kendim de tam olarak anlamadığım için iyi açıklayamıyorum. Bousting'de fonksiyona göre gradyan, ancak videoda ağ ağırlıklarına göre normal gradyan.
Fişin veri aralığı veya değer aralığı?
Verileri tanımlayan tahmin edicinin değer aralığı.
Algoritmayıburada pratik olarak tanımladım - RSI ile bir resim var.