Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1609
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
buna model istifleme denir. Aynı olmayacak, ancak daha etkili olacağı gerçeği değil. Bunu yaptı, iyileştirmeler görmedi.
Meta-öğrenme denilen başka bir yol daha var. İlk modeli sınıfları tahmin etmek için eğitirsiniz, ardından sonuçları alırsınız ve bunları, birinci modelin ticaretine izin veren/devre dışı bırakan aynı veya farklı tahmin ediciler üzerinde ikinci modele beslersiniz. 1 - ticaret, 0 - ticaret değil, ilkinin tahminlerinin kalitesine bağlı olarak, yani. biraz filtre. Bu, eğitim verilerindeki hataların sayısını büyük ölçüde azaltır, ancak yenilerinde çok fazla değil (modelin genelleme yeteneği düşükse). Ancak kendi içinde meta-öğrenme normal bir şeydir.
İlk modeli bazı veriler üzerinde, meta modeli diğer veriler üzerinde, ilkinin hataları üzerinde eğitebilirsiniz. Seçenekler değişebilir. Bu şekilde yaptım ve genel olarak iyileştirmeler var, ancak bu, OOS üzerinde çalışacak yüksek kaliteli bir model elde etmenin bir yolundan daha fazla ayrıntılandırma.
Marcos Lopez De Prado'nun "meta öğrenimini" google'da bulabilirsiniz, hemen hemen ticaret hakkında
Bilgi için teşekkürler, ancak hesaplamayı kaydetmenin bir yolu olarak tahmincileri parçalara ayırmayı düşündüm. eğitim yaparken kaynak, sadece eğitim almayacağım, örneğin, modeldeki 10k tahmincileri hemen ...
PCA veya başka bir şey kullanarak tahmin edicilerin boyutunu azaltmak istemiyorum, çünkü önce önemli tahmin edicileri vurgulamanız gerekiyor, bu yüzden genel modeli minimum bilgi kaybıyla alt modellere nasıl böleceğimi düşünüyorum.
Bilgi için teşekkürler, ancak hesaplamayı kaydetmenin bir yolu olarak tahmincileri parçalara ayırmayı düşündüm. eğitim yaparken kaynak, sadece eğitim almayacağım, örneğin, modeldeki 10k tahmincileri hemen ...
PCA veya başka bir şey kullanarak tahmin edicilerin boyutunu azaltmak istemiyorum, çünkü önce önemli tahmin edicileri vurgulamanız gerekiyor, bu yüzden genel modeli minimum bilgi kaybıyla alt modellere nasıl böleceğimi düşünüyorum.
Evet, ne 10k tahmincisi. İlişkili olanları kaldırın, kalanların önemine bakın, ormandan geçerek veya artırarak 3-10 kalacaktır.
Yine de %100 tahmin etmek mümkün olmayacak, kontrol edildi, her durumda yanlış tahminler olacak. Bunun nedeni, öğrenme modellerinin tekrarlanabilmesi, ancak sonuçlarının mutlaka aynı olmayacağıdır.
Örneğin, neye benziyor. Elbette, model seçme konusunda çok iyi bir yaklaşımım olmayabilir (resmileştirilmiş veriler), ancak %100 doğru tahmin olasılığına inanmak benim için zor.
Evet, ne 10k tahmincisi. İlişkili olanları kaldırın, kalanların önemine bakın, ormandan geçerek veya artırarak 3-10 kalacaktır.
ve tahminciler mantıksal kurallarsa? :)
ve tahminciler mantıksal kurallarsa? :)
fark nedir, çok fazla tahmin edici yok, bu bir model değil, çöp
belki arama motorlarında veya resim analizinde bir yerde olabilir, ancak kesin alıntılar için değil
Sinir ağının seviyelerini hangi biçimde sunuyorsunuz?
fark nedir, çok fazla tahmin edici yok, bu bir model değil, çöp
Niye ya?
Model ne kadar "zengin"se, o kadar kötü mü?
özellikle hangi tahmin edici kombinasyonunun daha iyi olduğunu bilmiyorsanız, olası tüm seçenekleri modele sunmak ve ardından tahmin edicilerin önemini model açısından görmek doğru olmaz mıydı?Sinir ağının seviyelerini hangi biçimde sunuyorsunuz?
Hayır hayır hayır, iki seviyeli bir tane kullanmaya çalıştım ama beklediğim sonucu alamadım, yukarıda yazdığım gibi, belki de optimal veri seçimini (bazı durumlarda çelişkili) görmemize izin vermedi en azından mantıksal olarak doğru yorumlanmış bir sonucun bir ipucu. Şimdiye kadar, sadece sıradan bir çok katmanlı nöron. Çok seviyeli ağları çitlemeden önce, her seviyenin ayrı ayrı doğru çözümü verip vermediğini anlamanız gerekir.
Hayır hayır hayır, iki seviyeli bir tane kullanmaya çalıştım ama beklediğim sonucu alamadım, yukarıda yazdığım gibi, belki de optimal veri seçimini (bazı durumlarda çelişkili) görmemize izin vermedi en azından mantıksal olarak doğru yorumlanmış bir sonucun bir ipucu. Şimdiye kadar, sadece sıradan bir çok katmanlı nöron. Çok seviyeli ağları çitlemeden önce, her seviyenin ayrı ayrı doğru çözümü verip vermediğini anlamanız gerekir.
pardon destek ve direnç seviyelerini kastetmiştim