Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 588
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
Yeterli tahminlerin yaklaşık %70'ine sahip olduğunuzu hatırlıyorum. yukarıda bir yazı yazdım
Yani, inananların %70'i genellikle hiçbir şey hakkındadır. Doğru olanların %70'inden yaklaşık üçte biri işlem girmeye uygun olsun. %23 kalır. Yanlış tahminlerin %30'una karşı (ve doğru olup olmadıklarını önceden bilmiyoruz), bu hiçbir şeyle ilgili değil. Ve bükülme alanlarında (yön değişiklikleri) hala yanlış tahminler var ve bu alanlar işlemler için en uygun alanlar.
Buna dayanarak, tahminde bulunmanın boşuna olduğuna, ancak sınıflandırma ile meşgul olması gerektiğine inanıyorum. Onlar. Belirli bir anın bir işlem için doğru olup olmadığını belirleyin. Modellere göre %20-40 arası bir giriş hatası elde edilmektedir.Konunun başında daha doğru rakamlar verilmişti.
sınıflandırma, bir sınıfa üyeliğin tahmini veya üyelik olasılığıdır.
aksesuarları da çıkarabileceğiniz regresyondan farklı değildir.
Durağan olmama sorununun MO ile hiçbir ilgisi olmadığına beni ikna etti. NS ile hiç görüşmediğim için onun fikrini çürütecek hiçbir argümanım yoktu. Dahası, oradaki farklı ağaçların ve NN hariç diğerlerinin durağan olmayan tahmin edicilerle harika çalıştığına dair sezgisel bir anlayış vardı.
Fiyat davranışında hala bazı kalıcı kalıpların olduğu aksiyomuna güveniyorum, bu Markovyen olmayan bir süreç. Ve MO kullanarak onları bulmaya çalışıyorum.
Çeşitli modeller, buğdayı samandan gerçekten ayırabilir ve büyük ölçüde gürültüden ve işlem merkezleri tarafından kasıtlı olarak çarpıtılmasından oluşan fiyat akışında kalıplar bulabilir.
Sorun, model için (nöronlar için - ağırlık sayısı, öğrenme oranı vb. ve orman için - örneğin ağaç sayısı) için bu tür eğitim parametrelerini bulmaktır; örnekler ve durağan olmamayı yendikten sonra, bu gürültünün her şeyinde bazı kararlı kalıplar bulacaktır. Modeli birden çok çapraz doğrulama ile eğitmek için iyi parametreler buluyorum.
Sonuç olarak, modelim hem eğitimde hem de yeni verilerde (R2 ~ 0.003) çok küçük ama olumlu bir sonuç gösteriyor. Ama henüz yayılmayı kazanmadım.
Fiyat davranışında hala bazı kalıcı kalıpların olduğu aksiyomuna güveniyorum, bu Markovyen olmayan bir süreç. Ve MO kullanarak onları bulmaya çalışıyorum.
Çeşitli modeller, buğdayı samandan gerçekten ayırabilir ve büyük ölçüde gürültüden ve ticaret merkezleri tarafından kasıtlı olarak çarpıtılmasından oluşan fiyat akışında kalıplar bulabilir.
Sorun, model için (nöronlar için - ağırlık sayısı, öğrenme oranı vb. ve orman için - örneğin ağaç sayısı) için bu tür eğitim parametrelerini bulmaktır; örnekler ve durağan olmamayı yendikten sonra, bu gürültünün her şeyinde bazı kararlı kalıplar bulacaktır. Modeli birden çok çapraz doğrulama ile eğitmek için iyi parametreler buluyorum.
Sonuç olarak, model hem eğitim hem de yeni veriler (R2 ~ 0,003) üzerinde çok küçük ama olumlu bir sonuç göstermektedir. Ama henüz yayılmayı kazanmadım.
Ben de kazanmadım ve henüz ışık yok. Ancak sistem FORTS üzerinde çalışıyor.
Burada SanSanych bir saat ilerisini tahmin ediyor. Ona bu yayıldı - pah.)
Sınıflandırma problemleri için durağan olmama problemi yoktur. Regresyon problemleri için gerçektir.
Tahmin ve tahmin etmeyi karıştırmayın. Tahmin ve tahmin iki farklı şeydir. Sonuç olarak tahmin – güven aralığını gösteren sayısal bir değer. Sınıflandırma, örneğin ait olduğu sınıfı, örneğin bir sınıfa ait olma olasılığını veya bu örneğin bir sınıfa ait olduğu hipotezini destekler.
İyi şanlar
Sınıflandırma problemleri için durağan olmama problemi yoktur. Regresyon problemleri için gerçektir.
Tahmin ve tahmin etmeyi karıştırmayın. Tahmin ve tahmin iki farklı şeydir. Sonuç olarak tahmin – güven aralığını gösteren sayısal bir değer. Sınıflandırma, örneğin ait olduğu sınıfı, örneğin bir sınıfa ait olma olasılığını veya bu örneğin bir sınıfa ait olduğu hipotezini destekler.
İyi şanlar
evet demek? Bu saçmalık hakkında nerede okumalı? :)
evet demek? Bu saçmalık hakkında nerede okumak için? :)
Sana saçma gelen ne?
durağan olmama nedeniyle tahmin ediciler/hedef arasındaki kalıpların değişeceği ve sınıfların tahmininin tahmin durumunda olduğu gibi kırılacağı gerçeği
durağan olmama nedeniyle tahmin ediciler/hedef arasındaki kalıpların değişeceği ve sınıfların tahmininin tahmin durumunda olduğu gibi kırılacağı gerçeği
Bir örnek gösterebilir misin? Yoksa bu spekülatif bir sonuç mu?
NN/DNN kullanılarak yapılan sınıflandırmaya ilişkin kapsamlı literatürün hiçbir yerinde durağanlıktan etki eden bir faktör olarak bahsedilmemektedir. Sayısız deneylerim bana aynı şeyi söylüyor.
Tabii ki, bu konuda kendi fikriniz olabilir.
İyi şanlar
Bir örnek gösterebilir misin? Yoksa bu spekülatif bir sonuç mu?
NN/DNN kullanılarak yapılan sınıflandırmaya ilişkin kapsamlı literatürün hiçbir yerinde durağanlıktan etki eden bir faktör olarak bahsedilmemektedir. Sayısız deneylerim bana aynı şeyi söylüyor.
Tabii ki, bu konuda kendi fikriniz olabilir.
İyi şanlar
ve sınıflandırma veya gerileme .. fark nedir?
Derin öğrenme üzerine yeni ve güzel bir kitap çıktı. Ne yazık ki, rutracker.org'a yüklenen bir bağlantı açıkça veremiyorum.
Derin Öğrenme
Yayın yılı : 2018
Yazar : Nikolenko S.I., Kadurin A.A., Arkhangelskaya E. O.
Tür veya konu : Sinir ağları
Yayımcı : Peter
Seri : Programcı Kitaplığı
ISBN : 978-5-496-02536-2
Dil : Rusça
Biçim : PDF
Kalite : Hatalı metin tanıma (OCR)
Etkileşimli içindekiler : Hayır
Sayfa sayısı : 479