交易中的机器学习：理论、模型、实践和算法交易 - 页 1116 1...110911101111111211131114111511161117111811191120112111221123...3399 新评论 Yuriy Asaulenko 2018.10.18 18:22 #11151 Mihail Marchukajtes:如果数据在训练前就被洗过，你需要时间做什么，除非是为了突出OOS部分......不要紧张，只要给我看结果......我需要它。 结果。见我的主题。他们正在那里查案。 itslek 2018.10.18 18:23 #11152 Vizard_: itslek 为Validol)))) 跑步42个例子的数据集!42个例子! 在时间轴 上甚至不提日期时间！？ СанСаныч Фоменко 2018.10.18 18:25 #11153 看一看。 将预测器分为两部分：一部分属于一个类别，另一部分属于另一个类别。画出每一半的直方图并结合起来。 所以。 预测器的质量不同，但它们的预测能力都比以前好得多（根据记忆）。 我们需要引入对直方图之间距离的测量，这将更真实地显示它们之间的差异，这将比作为图片更准确。 Mihail Marchukajtes 2018.10.18 18:26 #11154 itslek:42个例子的数据集 听着，我不明白你....如果你的人工智能非常酷，可以从1000个例子中学习，那么它就会像一个坚果。有什么问题呢？ СанСаныч Фоменко 2018.10.18 18:28 #11155 Mihail Marchukajtes 2018.10.18 18:28 #11156 桑桑尼茨-弗门科。看一看。 将预测器分为两部分：一部分属于一个类别，另一部分属于另一个类别。画出每一半的直方图并结合起来。 所以。 预测器的质量不同，但它们的预测能力都比以前好得多（根据记忆）。 我们需要引入直方图之间距离的衡量标准，这将更真实地显示它们之间的差异，这将比作为图片更准确。很好...继续。我们需要一个经过训练的模型的结果。数据分析是好的，但最重要的是利润，如果我没有弄错的话，当然。这就是为什么我要求你交易他们，如果你能... itslek 2018.10.18 18:29 #11157 Mihail Marchukajtes:听着，我不明白你....如果你的人工智能非常酷，可以从1000个例子中学习，那么这个样本将是小菜一碟。有什么问题呢？事实上，情况恰恰相反......一个更糟糕的算法但更多的例子比一个很酷的算法但更少的数据更好。 即使是1000元也是不够的，特别是对于市场来说... Mihail Marchukajtes 2018.10.18 18:31 #11158 itslek:事实上，情况恰恰相反...agree....这取决于使用哪种人工智能工具。有些需要大量的样本量，有些，如参考向量的向量，不需要大量的样本，因为该方法是资源密集型的，而且在有大量样本的情况下需要极长的时间来运行......。 Yuriy Asaulenko 2018.10.18 18:32 #11159 Mihail Marchukajtes:agree....这取决于使用哪种人工智能工具。有些需要很大的样本量，有些，如参考向量的向量，不需要很大的样本，因为该方法是资源密集型的，在大样本下运行需要极长的时间......。什么是人工智能？ СанСаныч Фоменко 2018.10.18 18:32 #11160 预测能力上的不俗结果不会导致稳定的模型，因为单纯的荒谬的观察数=51。我们至少需要10倍的数字，最好是100倍的数字。 如果你在这个数量的观察上建立模型，结果是糟糕的。 预测的实际 [0,0] (0,1] 误差[0,0] 42.9 28.6 40(0,1] 28.6 0.0 100总体误差：57.1%，平均班级误差：70%。拉特时间戳: 2018-10-18 21:29:39 用户======================================================================Mic1.txt的线性模型的误差矩阵[验证]（计数）。预测的实际 [0,0] (0,1) 误差[0,0] 1 4 80(0,1] 2 0 100Mic1.txt的线性模型的误差矩阵[验证]（比例）。预测的实际 [0,0] (0,1] 误差[0,0] 14.3 57.1 80(0,1] 28.6 0.0 100总体误差：85.7%，平均班级误差：90%。拉特时间戳: 2018-10-18 21:29:39 用户======================================================================Mic1.txt上的神经网络模型的误差矩阵[验证]（计数）。预测的实际 [0,0] (0,1) 误差[0,0] 2 3 60(0,1] 1 1 50Mic1.txt上的神经网模型的误差矩阵[验证]（比例）。预测的实际 [0,0] (0,1] 误差[0,0] 28.6 42.9 60(0,1] 14.3 14.3 50总体误差：57.1%，平均班级误差：55%。拉特时间戳: 2018-10-18 21:29:39 用户 测试日志 - 算法交易, 交易机器人 保证金计算: 证券模型 - 高级用户选项 1...110911101111111211131114111511161117111811191120112111221123...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
如果数据在训练前就被洗过，你需要时间做什么，除非是为了突出OOS部分......不要紧张，只要给我看结果......
我需要它。
结果。见我的主题。他们正在那里查案。
itslek 为Validol)))) 跑步
42个例子的数据集!42个例子!
在时间轴 上甚至不提日期时间！？
看一看。
将预测器分为两部分：一部分属于一个类别，另一部分属于另一个类别。画出每一半的直方图并结合起来。
所以。
预测器的质量不同，但它们的预测能力都比以前好得多（根据记忆）。
我们需要引入对直方图之间距离的测量，这将更真实地显示它们之间的差异，这将比作为图片更准确。
42个例子的数据集
听着，我不明白你....如果你的人工智能非常酷，可以从1000个例子中学习，那么它就会像一个坚果。有什么问题呢？
看一看。
将预测器分为两部分：一部分属于一个类别，另一部分属于另一个类别。画出每一半的直方图并结合起来。
所以。
预测器的质量不同，但它们的预测能力都比以前好得多（根据记忆）。
我们需要引入直方图之间距离的衡量标准，这将更真实地显示它们之间的差异，这将比作为图片更准确。
很好...继续。我们需要一个经过训练的模型的结果。数据分析是好的，但最重要的是利润，如果我没有弄错的话，当然。这就是为什么我要求你交易他们，如果你能...
听着，我不明白你....如果你的人工智能非常酷，可以从1000个例子中学习，那么这个样本将是小菜一碟。有什么问题呢？
事实上，情况恰恰相反......
一个更糟糕的算法但更多的例子比一个很酷的算法但更少的数据更好。
即使是1000元也是不够的，特别是对于市场来说...
事实上，情况恰恰相反...
agree....这取决于使用哪种人工智能工具。有些需要大量的样本量，有些，如参考向量的向量，不需要大量的样本，因为该方法是资源密集型的，而且在有大量样本的情况下需要极长的时间来运行......。
agree....这取决于使用哪种人工智能工具。有些需要很大的样本量，有些，如参考向量的向量，不需要很大的样本，因为该方法是资源密集型的，在大样本下运行需要极长的时间......。
什么是人工智能？
预测能力上的不俗结果不会导致稳定的模型，因为单纯的荒谬的观察数=51。我们至少需要10倍的数字，最好是100倍的数字。
如果你在这个数量的观察上建立模型，结果是糟糕的。
预测的
实际 [0,0] (0,1] 误差
[0,0] 42.9 28.6 40
(0,1] 28.6 0.0 100
总体误差：57.1%，平均班级误差：70%。
拉特时间戳: 2018-10-18 21:29:39 用户
======================================================================
Mic1.txt的线性模型的误差矩阵[验证]（计数）。
预测的
实际 [0,0] (0,1) 误差
[0,0] 1 4 80
(0,1] 2 0 100
Mic1.txt的线性模型的误差矩阵[验证]（比例）。
预测的
实际 [0,0] (0,1] 误差
[0,0] 14.3 57.1 80
(0,1] 28.6 0.0 100
总体误差：85.7%，平均班级误差：90%。
拉特时间戳: 2018-10-18 21:29:39 用户
======================================================================
Mic1.txt上的神经网络模型的误差矩阵[验证]（计数）。
预测的
实际 [0,0] (0,1) 误差
[0,0] 2 3 60
(0,1] 1 1 50
Mic1.txt上的神经网模型的误差矩阵[验证]（比例）。
预测的
实际 [0,0] (0,1] 误差
[0,0] 28.6 42.9 60
(0,1] 14.3 14.3 50
总体误差：57.1%，平均班级误差：55%。
拉特时间戳: 2018-10-18 21:29:39 用户