交易中的机器学习：理论、模型、实践和算法交易 - 页 1477 1...147014711472147314741475147614771478147914801481148214831484...3399 新评论 mytarmailS 2019.05.16 14:24 #14761 我也有一个想法，如何切分价格。 我们拿着一个价格，把它分成，比如，10个集群，训练网络，寻找一个错误...... 然后我们放弃一个集群，比方说第十个，再次训练网络，看看误差。于是我们尝试所有的组合，直到找到有趣的东西......。最后可能会发现，为了做出好的预测，应该只留下1,3,9个群组。 Forester 2019.05.16 14:37 #14762 mytarmailS:我也有一个想法，如何切分价格。 我们采取一个价格，并将其分为，例如，10个集群，训练网络，看误差... 然后我们放弃一个集群，比方说第十个，再次训练网络，看看误差。于是我们尝试所有的组合，直到找到有趣的东西......。毕竟我们可能会发现，我们应该只保留1,3,9个群组，才能做出好的预测。一个比喻是把树叶扔出去，就像阿列克谢那样。 但问题是，1棵树总是比森林中的100-200棵树更糟糕。 mytarmailS 2019.05.16 14:41 #14763 elibrarius。 一个比喻--把树叶扔出去，就像阿列克谢一样不，那是不同的... 扔掉树叶是改变预测过程的决策树中的规则 我的建议是改变程序本身 Vizard_ 2019.05.16 17:18 #14764 马克西姆-德米特里耶夫斯基。这不是狗屎，这只是一个笑话)。 科尔敦开始了另一个为期四个月的假期，而老师则继续在 "提高自己的形象 "上耕耘。多么热闹啊）））热闹......。 Vizard_ 2019.05.16 17:21 #14765 mytarmailS:还想出了一个如何削价的主意。维度可以通过很多方式降低，这将是一个好主意。最简单的例子。黑色薄片--掐丝，蓝色小点 交叉点，红色--从同步点中重建原始vr的原始尝试。有很多恢复的方法。 你可以通过用于重建的功能的简单性来判断 "瘦身的质量"。简单点就是好... Aleksey Vyazmikin 2019.05.16 18:50 #14766 elibrarius。这个比喻是把树叶从树上扔下来，就像阿列克谢。 但问题是，1棵树的结果总是比森林中100-200棵树的结果更差。不是扔掉，而是剔除。这就像把不同的小策略集合到一个大池子里。然后要么合议庭决定，要么给每片叶子一个固定的批次，这就是我现在所做的。 mytarmailS:丢掉树叶意味着改变预测过程的决策树中的规则。 为什么规则会改变？不，它只是删除了那些对自己的结果更有信心的叶子，而牺牲了那些为了系统而愿意做任何预测的叶子。换句话说，一棵树可能并不只有一种情况的解决方案，但当使用数百种不同的树并对它们进行选择时，没有一种情况的解决方案的机会就变得微不足道了。 Maxim Dmitrievsky 2019.05.16 23:48 #14767 Vizard_。向导开始了另一个4个月的假期，老师继续深耕细作，"提高形象"。多么有趣的故事啊！）））搞笑的...你已经在用第三人称谈论自己了，你完全是个怪人。）形象很好。 mytarmailS 2019.05.17 10:00 #14768 Vizard_。可以通过不同的方式降低维度，使其发挥作用。最简单的例子。 和红色--这是恢复syn.dots上最初形象的原始尝试。有很多恢复的方法。 你可以通过用于重建的功能的简单性来判断 "瘦身的质量"。简单点就是好... 谢谢你，这很有趣!是否有任何关于 "瘦身 "和 "恢复功能 "的科学名称？ 如果能读到这方面的内容，会很有趣。 为什么规则在变化？不，他们只是通过淘汰那些为了系统而堵住任何预测的人，来淘汰那些对自己的结果更有信心的人。换句话说，一棵树可能并不只有一种情况的解决方案，但当使用数百种不同的树并对它们进行选择时，没有一种情况的解决方案的机会就变得微不足道了。 好吧，这是一个规则的改变，无论你如何旋转它，在什么方向改变是另一个问题。 Грааль 2019.05.17 15:16 #14769 mytarmailS:当我看到你画的马车交叉口时，我惊讶地发现，价格在交叉口处转弯是多么酷，而且经常是朝相反的方向转弯））与人群的信号相反。 但当然，由于市场属性的多变性，它并不总是有效，我需要一个自适应指标。我有一个想法，如果我们可以教NS在实时模式下猜测 "正确 "的时间段，以准确捕捉反转？ 谁对目标有想法，应该把哪些价格参数作为预测因素？嗯，这是一个经典，我已经在上面写过，当涉及到预测TC的最佳特征和结果时（Equity/Pnl...）。 如果是 "直接"，其原理与回撤或波动相同，对于每个样本，通过某个移动点price(t)将样本分为 "之前 "和 "之后"，计算{price(t-N),price(t)}的任何数字和目标数字{price(t+1),price(t+K)}并通过整个系列运行t。在这种情况下，目标将是未来某个窗口的{price(t+1),price(t+K)}上的波动最优，而特征基本上可以是任何东西，从不同时期的随机性或动量，到前一时期{price(t-N),price(t)}的波动最优或其他TC。 Mihail Marchukajtes 2019.05.17 15:35 #14770 法尔哈特-古扎罗夫。你使用的是哪个版本的JPrediction？14看来。 1...147014711472147314741475147614771478147914801481148214831484...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
我也有一个想法，如何切分价格。
我们拿着一个价格，把它分成，比如，10个集群，训练网络，寻找一个错误......
然后我们放弃一个集群，比方说第十个，再次训练网络，看看误差。于是我们尝试所有的组合，直到找到有趣的东西......。最后可能会发现，为了做出好的预测，应该只留下1,3,9个群组。
我也有一个想法，如何切分价格。
我们采取一个价格，并将其分为，例如，10个集群，训练网络，看误差...
然后我们放弃一个集群，比方说第十个，再次训练网络，看看误差。于是我们尝试所有的组合，直到找到有趣的东西......。毕竟我们可能会发现，我们应该只保留1,3,9个群组，才能做出好的预测。
一个比喻是把树叶扔出去，就像阿列克谢那样。
但问题是，1棵树总是比森林中的100-200棵树更糟糕。
一个比喻--把树叶扔出去，就像阿列克谢一样
不，那是不同的...
扔掉树叶是改变预测过程的决策树中的规则
我的建议是改变程序本身
这不是狗屎，这只是一个笑话)。
科尔敦开始了另一个为期四个月的假期，而老师则继续在 "提高自己的形象 "上耕耘。多么热闹啊）））热闹......。
还想出了一个如何削价的主意。
维度可以通过很多方式降低，这将是一个好主意。最简单的例子。黑色薄片--掐丝，蓝色小点
交叉点，红色--从同步点中重建原始vr的原始尝试。有很多恢复的方法。
你可以通过用于重建的功能的简单性来判断 "瘦身的质量"。简单点就是好...
这个比喻是把树叶从树上扔下来，就像阿列克谢。
但问题是，1棵树的结果总是比森林中100-200棵树的结果更差。
不是扔掉，而是剔除。这就像把不同的小策略集合到一个大池子里。然后要么合议庭决定，要么给每片叶子一个固定的批次，这就是我现在所做的。
丢掉树叶意味着改变预测过程的决策树中的规则。
为什么规则会改变？不，它只是删除了那些对自己的结果更有信心的叶子，而牺牲了那些为了系统而愿意做任何预测的叶子。换句话说，一棵树可能并不只有一种情况的解决方案，但当使用数百种不同的树并对它们进行选择时，没有一种情况的解决方案的机会就变得微不足道了。
向导开始了另一个4个月的假期，老师继续深耕细作，"提高形象"。多么有趣的故事啊！）））搞笑的...
你已经在用第三人称谈论自己了，你完全是个怪人。）形象很好。
可以通过不同的方式降低维度，使其发挥作用。最简单的例子。
和红色--这是恢复syn.dots上最初形象的原始尝试。有很多恢复的方法。
你可以通过用于重建的功能的简单性来判断 "瘦身的质量"。简单点就是好...
谢谢你，这很有趣!是否有任何关于 "瘦身 "和 "恢复功能 "的科学名称？ 如果能读到这方面的内容，会很有趣。
为什么规则在变化？不，他们只是通过淘汰那些为了系统而堵住任何预测的人，来淘汰那些对自己的结果更有信心的人。换句话说，一棵树可能并不只有一种情况的解决方案，但当使用数百种不同的树并对它们进行选择时，没有一种情况的解决方案的机会就变得微不足道了。
好吧，这是一个规则的改变，无论你如何旋转它，在什么方向改变是另一个问题。
当我看到你画的马车交叉口时，我惊讶地发现，价格在交叉口处转弯是多么酷，而且经常是朝相反的方向转弯））与人群的信号相反。
但当然，由于市场属性的多变性，它并不总是有效，我需要一个自适应指标。我有一个想法，如果我们可以教NS在实时模式下猜测 "正确 "的时间段，以准确捕捉反转？
谁对目标有想法，应该把哪些价格参数作为预测因素？
嗯，这是一个经典，我已经在上面写过，当涉及到预测TC的最佳特征和结果时（Equity/Pnl...）。
如果是 "直接"，其原理与回撤或波动相同，对于每个样本，通过某个移动点price(t)将样本分为 "之前 "和 "之后"，计算{price(t-N),price(t)}的任何数字和目标数字{price(t+1),price(t+K)}并通过整个系列运行t。在这种情况下，目标将是未来某个窗口的{price(t+1),price(t+K)}上的波动最优，而特征基本上可以是任何东西，从不同时期的随机性或动量，到前一时期{price(t-N),price(t)}的波动最优或其他TC。
你使用的是哪个版本的JPrediction？
14看来。