Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 408
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
Herkese iyi günler.
Tartışmadaki katılımcılar tarafından hangi ML paketlerinin kullanıldığını açıklamama izin verin, yoksa her şey MQL aracılığıyla mı yapılıyor?
Şaşırtıcı bir şekilde, dosya hesaplandı, modelin kalitesi zayıf, kim doğrulama için kontrol etmesine izin vermek istiyor ....
Şaşırtıcı bir şekilde, dosya hesaplandı, modelin kalitesi zayıf, kim doğrulama için kontrol etmesine izin vermek istiyor ....
dosya diyor ki
* TruePositives: 853
* TrueNegatives: 1098
* YanlışPozitifler: 732
* YanlışNegatifler: 985
onlar. neredeyse 50/50.
Biraz daha basit bir mantık problemi için aynı sonucu aldım, bu yüzden gürültü girdilerinin RNN sonucunu çok bozduğunu varsaydım.
dosya diyor ki
* TruePositives: 853
* TrueNegatives: 1098
* YanlışPozitifler: 732
* YanlışNegatifler: 985
onlar. neredeyse 50/50.
Biraz daha basit bir mantık problemi için aynı sonucu aldım, bu yüzden gürültü girdilerinin RNN sonucunu çok bozduğunu varsaydım.
Doğru, modelin genelleme yeteneği yüzde 52, yani...
Herkese iyi günler.
Tartışmadaki katılımcılar tarafından hangi ML paketlerinin kullanıldığını açıklamama izin verin, yoksa her şey MQL aracılığıyla mı yapılıyor?
Kural olarak, bazı modelleri MCL'de yeniden yazmaya çalışan birkaç meraklı dışında her şey R'de yapılır. Paketlere gelince, birinin hangi modeli kullandığına bağlıdır - ağaçlar, sinir ağları, derin sinir ağları vb.
Hangi modelle ilgileniyorsunuz?
İyi şanlar
Kural olarak, bazı modelleri MCL'de yeniden yazmaya çalışan birkaç meraklı dışında her şey R'de yapılır. Paketlere gelince, birinin hangi modeli kullandığına bağlıdır - ağaçlar, sinir ağları, derin sinir ağları vb.
Hangi modelle ilgileniyorsunuz?
İyi şanlar
Reshetov optimizer'ı unuttunuz, burada da kullanılıyorlar ....
dosya diyor ki
* TruePositives: 853
* TrueNegatives: 1098
* YanlışPozitifler: 732
* YanlışNegatifler: 985
onlar. neredeyse 50/50.
Biraz daha basit bir mantık problemi için aynı sonucu aldım, bu yüzden gürültü girdilerinin RNN sonucunu çok bozduğunu varsaydım.
Her zamanki MLP 20-5-1 bunu aynı göreve verebilir:
Eğitimde ortalama hata (%60.0) segment =0.116 (%11.6) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Doğrulamadaki ortalama hata (%20,0) arsa =0,111 (%11,1) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Testteki ortalama hata (%20.0) bölümü =0.129 (%12.9) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Hesaplama süresi=0.77 dk
Bazen %50 vermesine rağmen, görünüşe göre 2 yeniden eğitim döngüsü değil, daha fazlasını ayarlamak gerekiyor.
---------------------------------
R'den ağ nnet 20-1-1:
tahmin edilen
Gerçek 0 1 Hata
0 0,41 0,09 0,18
1 0.24 0.26 0.48
Biraz daha kötü, ama sadece birkaç saniye içinde çözülür.
Ancak RNN'nin eğitim sitesinde hata = 0 var. Ve bu da harika. Muhtemelen denememi blogda yayınlayacağım
Her zamanki MLP 20-5-1 bunu aynı göreve verebilir:
Eğitimde ortalama hata (%60.0) segment =0.116 (%11.6) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Doğrulamadaki ortalama hata (%20,0) arsa =0,111 (%11,1) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Testteki ortalama hata (%20.0) bölümü =0.129 (%12.9) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Hesaplama süresi=0.77 dk
---------------------------------
R'den ağ nnet 20-1-1:
Biraz daha kötü, ama sadece birkaç saniye içinde çözülür.tahmin edilen
Gerçek 0 1 Hata
0 0,41 0,09 0,18
1 0.24 0.26 0.48
Burada, sorunu çözmenin zor bir şey olmadığını, ancak modelin daha fazla nasıl davranacağını biraz farklı bir şekilde anlamalısınız, soru bu. Hızlı ve hatasız öğrenebiliriz. Ve yeni verilerde, tam bir sıfır. Predikshina'nın çok iyi bir özelliği var, eğitimde olduğu gibi aynı seviyede hata ile yeni veriler üzerinde çalışıyor. Çünkü yeniden eğitmiyor ve falan filan. Ve ağların geri kalanı bu örneği çok hızlı bir şekilde öğrenebilir, ancak aynı zamanda sonucu yeni verilerde çok daha kötü gösterir ... IMHO
Burada, sorunu çözmenin zor bir şey olmadığını, ancak modelin daha fazla nasıl davranacağını biraz farklı bir şekilde anlamalısınız, soru bu. Hızlı ve hatasız öğrenebiliriz. Ve yeni verilerde, tam bir sıfır. Predikshina'nın çok iyi bir özelliği var, eğitimde olduğu gibi aynı seviyede hata ile yeni veriler üzerinde çalışıyor. Çünkü yeniden eğitmiyor ve falan filan. Ve ağların geri kalanı bu örneği çok hızlı bir şekilde öğrenebilir, ancak aynı zamanda sonucu yeni verilerde çok daha kötü gösterir ... IMHO
İşte yeni veriler:
Doğrulamadaki ortalama hata (%20,0) arsa =0,111 (%11,1) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Testteki ortalama hata (%20.0) bölümü =0.129 (%12.9) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
İşte yeni veriler:
Doğrulamadaki ortalama hata (%20,0) arsa =0,111 (%11,1) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Testteki ortalama hata (%20.0) bölümü =0.129 (%12.9) nLearns=2 NGrad=2297 NHess=0 NCholesky=0 codResp=2
Bu yüzden tartışmıyorum, her şey olabilir ... :-)