Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2292
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
Partiyi hesaplamak için ikinci bir ağ çıkışı yapın. Veya ağ güvenini çok çarpan olarak kullanın.
ortalama alma ve ızgaralar her zaman parti büyüklüğü ile ilgili değildir
artışlarla bir gürültü
1 seferlik artışlarla 24 dönemlik döngüleri nasıl buluyorsunuz?
Kolayca. Artışlara geçiş farklılaşmadır. Frekansların genliklerinin oranı değişir, ancak hiçbir yerde kaybolmazlar. Daha da iyisi, yavaş döngüler hızlı olanları tıkamaz, vuruşlarla filtreleme yapmaya gerek yoktur.
artışlarla bir gürültü
1 seferlik artışlarla 24 dönemlik döngüleri nasıl buluyorsunuz?
pencere 48
Meslektaşlarım, bana deneyimlerimden anlatın.
Kendime bir soru sordum - öğrenme sürecinde girdi katmanının (girdiler normalleştirildi) ağırlıklarını izlemek mantıklı mı? Girdilerin önemini değerlendirmek için gerçekten bir şey veriyor mu?
kütüphaneyi şuradan kullanıyorum Dmitry Gizlyk deneyler için.
R veya Python'a veri yükleyerek her türlü iyi göstergeyi hesaplayabileceğinizi biliyorum. Ancak henüz onlara ulaşmadı ve video kartındaki çözümünün neredeyse "uçması" uygun.
Genel olarak, girdilerin ağırlıklarını izlemek basitlik açısından mantıklı mı, yoksa her durumda, önce girdi verilerinin ayrıntılı bir analizini yapmalısınız?
Girdilerin ön analizi için iskele kullanabilirsiniz.
tanımaların etkisini ağırlıklar aracılığıyla değerlendirmek mümkündür.
Anlaşıldı, ağırlık ne kadar büyükse, etki de o kadar büyük olur. Ve daha fazla bilgi alınabilir mi?
Örneğin, problemin daha iyi bir çözümü olmadığını veya dışbükey olmadığını anlamak için (eğer terimi karıştırmıyorsam). belki bir şekilde ağırlıklar sonsuza gidecek veya belki aynı ağ hatalarıyla ağırlıklar tutarsız bir şekilde değişebilir (yani belirli bir girdide çok küçüktür ve daha sonra başka bir öğrenme yaklaşımında (yeniden başlayarak) tam tersine, çok büyük) vb.
Şimdilik, iki sınıfın asimetrik olarak dağıtıldığı (birinin %60'ından fazlası) ve ızgaraların vakaların %100'ünde bir sınıf vererek "yandığı" bir görevle pratik olarak mücadele ediyorum.
Girilen verileri farklı şekillerde filtrelerim ve yeni verileri seçerim. soru, "kötü" girdileri filtrelemede yardımcı olabilir; bu girdiler, girdileri tamamen atmak veya farklı şekilde filtrelemek için.
Girdilerin ön analizi için iskele kullanabilirsiniz.
Evet, biliyorum, R'de yaptım, uzun süre ileri geri gitmek için fazla tembelim. ve MT5'teki Alglib, buna normalde pervaz olmadan izin veriyor mu?
Ancak, girdilerin ağırlıklarına bakarsanız, birkaç öğrenme döneminin hemen harekete geçeceğini düşündüm.
Anlaşıldı, ağırlık ne kadar büyükse, etki de o kadar büyük olur. Ve daha fazla bilgi alınabilir mi?
Örneğin, problemin daha iyi bir çözümü olmadığını veya dışbükey olmadığını anlamak için (eğer terimi karıştırmıyorsam). belki bir şekilde ağırlıklar sonsuza gidecek veya belki aynı ağ hatalarıyla ağırlıklar tutarsız bir şekilde değişebilir (yani belirli bir girdide çok küçüktür ve daha sonra başka bir öğrenme yaklaşımında (yeniden başlayarak) tam tersine, çok büyük) vb.
Şimdilik, iki sınıfın asimetrik olarak dağıtıldığı (birinin %60'ından fazlası) ve ızgaraların vakaların %100'ünde bir sınıf vererek "yandığı" bir görevle pratik olarak mücadele ediyorum.
Girilen verileri farklı şekillerde filtrelerim ve yeni verileri seçerim. soru, "kötü" girdileri filtrelemede yardımcı olabilir; bu girdiler, girdileri tamamen atmak veya farklı şekilde filtrelemek için.
mümkün olan çok şey var, soda demeyeceğim çünkü. özel var hisse.
sınıflar NS için dengeli olmalıdır. Eksik örnekleri ekleyin
Evet, biliyorum, R'de yaptım, uzun süre ileri geri gitmek için fazla tembelim. ve MT5'teki Alglib, buna normalde pervaz olmadan izin veriyor mu?
Python öğrensen iyi olur.
Alexey Mavrin :
Şimdilik, iki sınıfın asimetrik olarak dağıtıldığı (birinin %60'ından fazlası) ve ızgaraların vakaların %100'ünde bir sınıf vererek "yandığı" bir görevle pratik olarak mücadele ediyorum.
Nadir bir sınıfın daha fazla puan alması için sınıfları dengeleyin veya metriği yeniden yapın
Kolayca. Artışlara geçiş farklılaşmadır. Frekansların genliklerinin oranı değişir, ancak hiçbir yerde kaybolmazlar. Daha da iyisi, yavaş döngüler hızlı olanları tıkamaz, vuruşlarla filtreleme yapmaya gerek yoktur.
o zaman neden bulamadığınız garip, çünkü kolay
o zaman neden bulamadığınız garip, çünkü kolay
sinüzoidler üzerinde deney yapana kadar anlamayacaksınız