交易中的机器学习：理论、模型、实践和算法交易 - 页 1323 1...131613171318131913201321132213231324132513261327132813291330...3399 新评论 Aleksey Vyazmikin 2019.02.12 23:18 #13221 有一个较新的关于提升的讲座（在python中，catbust是一个选项），同一个讲师 - 找不到了。 Yuriy Asaulenko 2019.02.12 23:20 #13222 阿列克谢-维亚兹米 金。Catbust有更多的自定义功能，是XGBoost思想的延伸，主要的优点和缺点是它有固定维度的树，如果树的数量不多，就无法进行再训练。 ....纯粹是一个技术问题。假设我们有3个预测因子--X1、X2、X3。我们还知道，X1-X2、X1-X3、X2-X3也是预测因素，并产生条件。就我对树的熟悉程度而言，这些额外的预测因素也应该被送入模型。 但情况稍差，预测因子是一些a11*x1-b2*x2，a12*x1-a3*x2，等等，产生了类似方程组的东西。当然，系数我也不知道。更复杂的预测器组合也是可能的，这些只是作为一个例子给出。 NS可以处理这样的事情（预测器的线性组合，甚至是非线性组合），我不需要搞得很花哨，所以我只输入x1、x2和x3，不需要费心。 在这种情况下该如何处理树木？在这个问题上，我找不到相当生动的东西。还是树木自己会做？ Aleksey Vyazmikin 2019.02.12 23:20 #13223 CatBoost 大师班--有链接可以通过视频下载代码，在python中工作。 Aleksey Vyazmikin 2019.02.12 23:34 #13224 尤里-阿索连科。一个纯粹的技术问题。假设我们有3个预测因子--X1、X2、X3。我们还知道，x1-x2、x1-x3、x2-x3也是预测因素。就我对树的熟悉程度而言，这些额外的预测因素也应该被送入模型。 但情况稍差，预测因子是一些a11*x1-b2*x2，a12*x1-a3*x2，等等。当然，我不知道这些系数。更复杂的预测器组合是可能的，这些只是作为一个例子给出。 NS应对这样的事情（预测器的线性组合），我不必搞得太花哨，我们只把X1、X2和X3送入输入，不用费心。 在这种情况下该如何处理树木？在这个问题上，我找不到相当模糊的东西。还是树木可以自己做？理论上，一棵树可以描述一个函数，但它会得到一个带有系数（x）的部分，如果改变，但函数本身不会那么有效，因为它用常数存储事件场。这些是我的想法，也许我是错的。对于这样的问题，最好使用NS，给树一些现成的函数答案，它不会因为函数参数 的改变而改变解释的逻辑。因此，最好是给树一个有限的参数集。 只要改变这些X就会导致需要重新训练模型。 一般来说，如果函数的参数在一个已知的范围内，也就是训练样本所代表的范围内，那么这棵树应该能完成工作。但这是一个回归任务，而不是一个分类任务。 Yuriy Asaulenko 2019.02.12 23:46 #13225 阿列克谢-维亚兹米 金。理论上，树可以描述一个函数，但它会变成一个带有系数（x）的图，如果改变了，但函数本身被保留了，就不再那么有效了，因为它记住了带有常数的事件场。这些是我的想法，也许我是错的。对于这样的问题，最好使用NS，给树一些现成的函数答案，它不会因为函数参数 的变化而改变解释逻辑。因此，最好是给树一个有限的参数集。 只要这些X的变化就会导致需要重新训练模型。在我工作的NS，他们是可以理解的。树的好处是，它们会产生类似if...then.... 的逻辑。一般来说，这就是我们需要的--输出应该是一个是/否的决定。但看起来树木甚至不能处理这种逻辑，即使我们把它全部喂给它们。 Сs11=PredTraid==[] and Stoch[0][i] > Stoch[1][i]+0.3 and Stoch[0][i-1] <= Stoch[1][i-1] Aleksey Vyazmikin 2019.02.12 23:56 #13226 尤里-阿索连科。我和NS一起工作，我了解他们。树的魅力在于它能产生类似if...then的逻辑....。一般来说，这就是我们需要的--输出应该是一个是/否的决定。但似乎树木再也无法应付这样的逻辑了，即使我们把这些都作为输入给它们。 有必要对其进行输入和检查--制作样本并进行检查。 Yuriy Asaulenko 2019.02.13 00:12 #13227 阿列克谢-维亚兹米 金。我们需要提交并查看--做一些采样并检查。不，不幸的例子。这个就可以了）。 Aleksey Vyazmikin 2019.02.13 01:29 #13228 尤里-阿索连科。不，不幸的例子。它可以被处理）。当然，它可以应付，但NS使用神经元来获得公式，而树只获得计算结果的解释。我认为，如果我们画出一个难以用函数描述的原始物，比如说，从孩子的画中画出一栋房子，那么NS需要花很长时间才能找到它，而树会很快确定这个物体的坐标，并直接把它们变成矢量。但是，如果你改变比例，树将无法识别这所房子，但NS应该可以。 Maxim Dmitrievsky 2019.02.13 03:15 #13229 阿列克谢-维亚兹米 金。CatBoost大师班--有链接可以通过视频下载代码，在python中工作。 好的，解释得很好。 Aleksey Vyazmikin 2019.02.13 03:54 #13230 马克西姆-德米特里耶夫斯基。很好，解释得很好是的，基本的设置是很好的，特别是如果你一开始就用python的话。但这对我来说是不够的。 1...131613171318131913201321132213231324132513261327132813291330...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
有一个较新的关于提升的讲座（在python中，catbust是一个选项），同一个讲师 - 找不到了。
Catbust有更多的自定义功能，是XGBoost思想的延伸，主要的优点和缺点是它有固定维度的树，如果树的数量不多，就无法进行再训练。
....
纯粹是一个技术问题。假设我们有3个预测因子--X1、X2、X3。我们还知道，X1-X2、X1-X3、X2-X3也是预测因素，并产生条件。就我对树的熟悉程度而言，这些额外的预测因素也应该被送入模型。
但情况稍差，预测因子是一些a11*x1-b2*x2，a12*x1-a3*x2，等等，产生了类似方程组的东西。当然，系数我也不知道。更复杂的预测器组合也是可能的，这些只是作为一个例子给出。
NS可以处理这样的事情（预测器的线性组合，甚至是非线性组合），我不需要搞得很花哨，所以我只输入x1、x2和x3，不需要费心。
在这种情况下该如何处理树木？在这个问题上，我找不到相当生动的东西。还是树木自己会做？
CatBoost 大师班--有链接可以通过视频下载代码，在python中工作。
一个纯粹的技术问题。假设我们有3个预测因子--X1、X2、X3。我们还知道，x1-x2、x1-x3、x2-x3也是预测因素。就我对树的熟悉程度而言，这些额外的预测因素也应该被送入模型。
但情况稍差，预测因子是一些a11*x1-b2*x2，a12*x1-a3*x2，等等。当然，我不知道这些系数。更复杂的预测器组合是可能的，这些只是作为一个例子给出。
NS应对这样的事情（预测器的线性组合），我不必搞得太花哨，我们只把X1、X2和X3送入输入，不用费心。
在这种情况下该如何处理树木？在这个问题上，我找不到相当模糊的东西。还是树木可以自己做？
理论上，一棵树可以描述一个函数，但它会得到一个带有系数（x）的部分，如果改变，但函数本身不会那么有效，因为它用常数存储事件场。这些是我的想法，也许我是错的。对于这样的问题，最好使用NS，给树一些现成的函数答案，它不会因为函数参数 的改变而改变解释的逻辑。因此，最好是给树一个有限的参数集。
只要改变这些X就会导致需要重新训练模型。
一般来说，如果函数的参数在一个已知的范围内，也就是训练样本所代表的范围内，那么这棵树应该能完成工作。但这是一个回归任务，而不是一个分类任务。理论上，树可以描述一个函数，但它会变成一个带有系数（x）的图，如果改变了，但函数本身被保留了，就不再那么有效了，因为它记住了带有常数的事件场。这些是我的想法，也许我是错的。对于这样的问题，最好使用NS，给树一些现成的函数答案，它不会因为函数参数 的变化而改变解释逻辑。因此，最好是给树一个有限的参数集。
只要这些X的变化就会导致需要重新训练模型。
在我工作的NS，他们是可以理解的。树的好处是，它们会产生类似if...then.... 的逻辑。一般来说，这就是我们需要的--输出应该是一个是/否的决定。但看起来树木甚至不能处理这种逻辑，即使我们把它全部喂给它们。
我和NS一起工作，我了解他们。树的魅力在于它能产生类似if...then的逻辑....。一般来说，这就是我们需要的--输出应该是一个是/否的决定。但似乎树木再也无法应付这样的逻辑了，即使我们把这些都作为输入给它们。
有必要对其进行输入和检查--制作样本并进行检查。
我们需要提交并查看--做一些采样并检查。
不，不幸的例子。这个就可以了）。
不，不幸的例子。它可以被处理）。
当然，它可以应付，但NS使用神经元来获得公式，而树只获得计算结果的解释。我认为，如果我们画出一个难以用函数描述的原始物，比如说，从孩子的画中画出一栋房子，那么NS需要花很长时间才能找到它，而树会很快确定这个物体的坐标，并直接把它们变成矢量。但是，如果你改变比例，树将无法识别这所房子，但NS应该可以。
CatBoost大师班--有链接可以通过视频下载代码，在python中工作。
好的，解释得很好。
很好，解释得很好
是的，基本的设置是很好的，特别是如果你一开始就用python的话。但这对我来说是不够的。