Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3139
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
olabilir
bard vps üzerinden çalışıyor mu?
olabilir
zaten biliyor çünkü ona bilgiyi ben verdim, daha önce bilmediği şeyleri anında öğrenebilir... ona bu bilgiyi verdikten sonra yeni bir oturum yükledim ve bu paketi zaten biliyordu)) harika.
Beyler, şunu unutmamalı ya da farkına varmalıyız....
Herhangi bir robot gerçek piyasaya girer girmez, eylemleri piyasa için öngörülebilir ve şeffaf hale gelir, çünkü genel ticaret sistemine entegre olur ve o andan itibaren sinyaller ölü geçmiş veriler yerine uyarlanabilir bir fiyatlandırma algoritması tarafından yapılacaktır.
Robotun para vereceği duruma göre fiyatı ayarlamak / modellemek kolaydır.
Ve test cihazındakinden daha sık olacak, zamanın% 100'ü
MO ile elde ettiğiniz bakiyeye bakın ;))))
tekrar tekrar yukarı ve aşağı.
Size açıkça söyleyeyim - tipik bir boşaltıcı, diğer adıyla test cihazı kasesi.
Böyle bir TS gerçek hayatta asla işe yaramaz.
zaten biliyor çünkü ona bilgiyi ben verdim, daha önce bilmediği şeyleri anında öğrenebilir... ona bu bilgiyi verdikten sonra yeni bir oturum yükledim ve bu paketi zaten biliyordu )) cool
komik
bard vps üzerinde çalışıyor mu?
vpn evet
Bir gemi evrende Mars'a doğru yol alıyor.
Foton motorları onu sınıra kadar hızlandırmıştır ve ataletle yol almaktadır.
Bir kozmonot, sol elinde bir bayrakla uzay gemisinin tepesinde oturuyor.
Sağ eliyle M40 çapında bir cıvatayı saniyede 5 metre ivmeyle fırlatıyor.
Soru. Cıvataya ne olur?
А. Somununu bulacaktır.
Б. Sabit bir hızla uçacak.
В. Hızlanarak uçacak.
Г. Astronotun eldivenine yapışacak.
Д. Mars'a ulaşan ilk kişi olacak.
Е. Dünyaya geri dönecek.
P.Z.
Makineleri kullanmayı öğrenecek ve bir uzay gemisi yardımıyla Kozmonot'u kontrol etmeye başlayacak mı?
Şaka
Çok aptal ama diğer modellerden farklı öğreniyor, bence öğrendiğinde çok acımasız olacak.
Evrende Mars'a doğru yol alan bir gemi var.
Foton motorları onu sınıra kadar hızlandırdı ve ataletle uçuyor.
Bir kozmonot, sol elinde bir bayrakla uzay gemisinin tepesinde oturuyor.
Sağ eliyle M40 çapında bir cıvatayı saniyede 5 metrelik bir ivmeyle fırlatır.
Soru. Sürgüye ne olacak?
А. Cevizini bulacaktır.
Б. Sabit bir hızda uçacaktır.
В. İvme ile uçacaktır.
Г. Astronotun eldivenine yapışacak.
Д. Mars'a uçan ilk kişi olacak.
Е. Dünya'ya dönecek.
P.Z.
Makineleri kullanmayı öğrenecek ve bir uzay gemisi aracılığıyla Kozmonot'u kontrol etmeye başlayacak mı?
Çok aptal ama diğer modellerden farklı öğreniyor. Bence öğrendiğinde çok acımasız olacak.
Prado'nun yeniden eğitime ilişkin makalesinin bir dökümü
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Bard:
Yazarların yönteminin özü, yeni veriler eklendiğinde modelin ne kadar değiştiğini tahmin etmek için çapraz doğrulama kullanmaktır. Model çok fazla değişiyorsa, bu eğitim verilerinde aşırı eğitildiği ve test verilerinde de muhtemelen aşırı eğitileceği anlamına gelir.
Yazarların yöntemi aşağıdaki gibi çalışır:
Yazarların yöntemi, yeni veriler eklendiğinde model değişikliklerini hesaba kattığı için, bekletme gibi geleneksel aşırı uyum tahmin yöntemlerinden daha doğrudur. Bekletme yöntemi, yalnızca eğitim ve test verilerine dayalı olarak aşırı eğitimi tahmin eder, ancak yeni veriler eklendiğinde model değişikliklerini hesaba katmaz.
Yazarların yöntemi, herhangi bir makine öğrenimi modelinin aşırı eğitim olasılığını tahmin etmek için kullanılabilir. Hisse senedi fiyatlarını tahmin eden bir modelin, görüntüleri sınıflandıran bir modelin veya başka herhangi bir makine öğrenimi modelinin aşırı eğitim olasılığını tahmin etmek için kullanılabilir.
seçenek 2 ====================================
Yazarlar tarafından önerilen yöntem, yeni veriler eklendiğinde modelin ne kadar değiştiğini tahmin etmek için çapraz doğrulama kullanma fikrine dayanmaktadır. Modelin çok fazla değişmesi, eğitim verilerinde aşırı eğitildiği ve test verilerinde de aşırı eğitilme ihtimalinin yüksek olduğu anlamına gelir.
Yazarlar, aşırı eğitim olasılığını tahmin etmek için k-kat çapraz doğrulama adı verilen bir çapraz doğrulama yöntemi kullanmaktadır. K-kat çapraz doğrulamada veriler k eşit parçaya bölünür. Model daha sonra verilerin k-1 kısmı üzerinde eğitilir ve verilerin kalan kısmı test için kullanılır. Bu işlem k kez tekrarlanır ve k testin sonuçları birleştirilerek model doğruluğuna ilişkin bir tahmin elde edilir.
Model doğruluğu tahmini elde edildikten sonra, yazarlar bunu aşırı eğitim olasılığını tahmin etmek için kullanmaktadır. Bunu doğruluk tahminlerinin varyansını hesaplayarak yapıyorlar. Varyans ne kadar yüksekse, aşırı eğitim olasılığı da o kadar yüksektir.
Yazarlar, yöntemlerinin aşırı antrenmanı tahmin etmek için kullanılan bekletme gibi geleneksel yöntemlerden daha doğru olabileceğini göstermiştir. Ayrıca yöntemlerinin model için en iyi hiperparametreleri seçmek için kullanılabileceğini de gösteriyorlar.
Yazarların aşırı eğitim olasılığını tahmin etmek için kullandıkları adımlar şunlardır:
Yazarlar, yöntemlerinin doğrusal regresyon, lojistik regresyon ve karar ağaçları dahil olmak üzere çeşitli makine öğrenimi modelleri için aşırı eğitim olasılığını tahmin etmek için kullanılabileceğini göstermektedir. Ayrıca yöntemlerinin bu modeller için en iyi hiperparametreleri seçmek için kullanılabileceğini de gösteriyorlar.
Genel olarak, yazarlar tarafından önerilen yöntem, aşırı eğitim olasılığını tahmin etmek için doğru ve kullanışlı bir araçtır. Yazarların yöntemi, bir modelin aşırı eğitim olasılığını tahmin etmek ve model için en iyi hiperparametreleri seçmek için kullanılabilir.
seçenek 3 =========================================
Yazarların yöntemi, yeni veriler eklendiğinde modelin ne kadar değiştiğini tahmin etmek için çapraz doğrulama kullanma fikrine dayanmaktadır. Model çok fazla değişiyorsa, bu eğitim verilerine aşırı uyum sağladığı ve test verilerine de aşırı uyum sağlama olasılığının yüksek olduğu anlamına gelir.
Yazarlar, yöntemlerinin doğruluğunu göstermek için bunu hisse senedi fiyatlarını tahmin etme görevine uygulamışlardır. Yöntemlerinin sonuçlarını holdout yönteminin sonuçları ile karşılaştırmışlar ve yöntemlerinin hisse senedi fiyatlarını daha doğru tahmin ettiğini göstermişlerdir.
Yazarlar ayrıca yöntemlerinin modelin en iyi hiperparametrelerini seçmek için kullanılabileceğini göstermiştir. Yöntemlerini, hisse senedi fiyatlarını tahmin eden bir makine öğrenimi modeli için en iyi hiperparametreleri seçmek için kullandılar. Yöntemlerinin, daha yüksek doğruluğa sahip bir modele yol açan hiperparametreleri seçebileceğini gösterdiler.
Genel olarak yazarlar, aşırı eğitim olasılığını tahmin etme yöntemlerinin geriye dönük testler için doğru ve kullanışlı bir araç olduğunu göstermişlerdir. Yazarların yöntemi, modelin aşırı eğitim olasılığını tahmin etmek ve model için en iyi hiperparametreleri seçmek için kullanılabilir.
Yazarların metodolojisinde kullanılan adımlar şunlardır:
Yazarların yöntemi, yeni veriler eklendiğinde model değişikliğini hesaba kattığı için, bekletme gibi geleneksel aşırı uyum tahmin yöntemlerinden daha doğrudur. Bekletme yöntemi modeli yalnızca eğitim seti ve test seti üzerinde tahmin eder. Bu da holdout yönteminin yeni veriler eklendiğinde model değişikliğini hesaba katamayacağı anlamına gelmektedir.
Yazarların yöntemi, modelin en iyi hiperparametrelerini seçmek için de kullanılabilir. Bekletme yöntemi, yeni veriler eklendiğinde model değişikliğini hesaba katmadığı için en iyi model hiperparametrelerini seçmek için kullanılamaz.
Genel olarak, yazarların yöntemi geriye dönük test için doğru ve kullanışlı bir araçtır. Yazarların yöntemi, modelin aşırı uyum sağlama olasılığını tahmin etmek ve en iyi model hiperparametrelerini seçmek için kullanılabilir.