交易中的机器学习：理论、模型、实践和算法交易 - 页 1305

新评论
 

性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数

本质上的准确性

直方图显示，分类准确率的提高随着分类概率阈值的转变而相当平稳地发生，而这一点对于利润来说是不可能的。

事实证明，我们不仅要考虑分类效率，还要估计利润在规则（叶子）之间如何分配，以及它们的敏感阈值是什么。换句话说，无论你怎么看，你都必须拉出个别规则，给他们一个估计。

 
elibrarius。
看到）。
人们对术语普遍感到困惑。

那么交叉验证呢？ 所有的sabbets都参与其中，所以验证比测试要好。

总之，是的，不管怎样。我的测试是子样本的第二部分，但我到时称它为验证性测试

 
阿列克谢-维亚兹米 金。

性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数

本质上的准确性

直方图显示，分类准确率的提高随着分类概率阈值的转变而相当平稳地发生，而这一点对于利润来说是不可能的。

事实证明，我们不仅要考虑分类效率，还要估计利润在规则（叶子）之间如何分配，以及它们的灵敏度阈值是多少。无论你怎么切，你都必须拉出个别规则，并对其进行估计。

0.65的利润较小，因为交易量较少。例如，将有10个交易，而不是100个，你可以增加手数

 
阿列克谢-维亚兹米 金。

性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数

本质上的准确性

直方图显示，分类准确率的提高随着分类概率阈值的转变而相当平稳地发生，而这一点对于利润来说是不可能的。

事实证明，我们不仅要考虑分类效率，还要估计利润在规则（叶子）之间如何分配，以及它们的敏感阈值是什么。也就是说，不管你怎么转，你都要拉出个别规则，给他们一个估计。

提高阈值，当模型变坏时，新数据上的交易会越来越少，概率会在零附近滚动，这是一个重新训练的好时机。

要提高阈值，误差必须很低，否则根本就没有信号。
 
elibrarius。

0.65的利润比较小，因为交易量也比较少。例如，我们将有10个交易，而不是100个，我们可以增加手数。

交易的数量，以及盈利的交易只是相当平稳地变化（按照MT的逻辑，一个交易是一个交易/2）。

只是每笔交易的损失并不稳定，因为止损 并不固定。

 
elibrarius。
看到）。
总的来说，术语是混乱的

我提出了我的术语（我暂时会坚持）。

1.训练样本--模型创建的地方

2. 测试样本 - 用于控制模型训练的质量，包括停止训练

3.检查样本--用于估计模型质量，独立于训练。

 
马克西姆-德米特里耶夫斯基。

提高阈值，当模型恶化时，新数据上的交易会越来越少，概率会在零附近打转，这是重新培训的好时机。

你需要一个低的误差来提高阈值，否则根本就没有信号

是的，这是可以理解的。这只是信号的消失，因为叶子中缺乏重放连接，特别是如果他们大的总激活部分在0.5附近移动，看起来像0.1+0.05+0.08+0.25+0.03--其中一个总和已经掉了，就是这样，没有激活发生。

 
阿列克谢-维亚兹米 金。

这是可以理解的。只是信号消失了，因为叶子中缺乏繁殖环节，特别是如果他们的大总激活部分围绕0.5旋转，看起来像0.1+0.05+0.08+0.25+0.03的总和--掉了其中一个总和，所有，没有激活发生。

这意味着算法不能正确地泛化到新的数据，你需要进一步扭曲它）大致上--重新训练

 
马克西姆-德米特里耶夫斯基。

每个测试和跟踪的误差为10%，约1万个例子，随着增加而平滑增加

在这个错误中，模型开始在新的数据上工作

在不同的验证中，这是一个通过选项的问题。

我不再透露算法了，我只负责沟通

О!这就是交易!几乎和我的一样!告诉你赫克没有必要听各种啤酒和巫师的意见 :)

 
马克西姆-德米特里耶夫斯基。

这意味着算法对新的数据没有很好的概括性，你需要进一步扭曲-扭曲）大致-重新训练

所以我扭扭捏捏的，我不想欺骗自己 :)

我现在要增加一剂新的预测器......

1...129812991300130113021303130413051306130713081309131013111312...3399
新评论