交易中的机器学习:理论、模型、实践和算法交易 - 页 1881 1...187418751876187718781879188018811882188318841885188618871888...3399 新评论 mytarmailS 2020.07.16 11:33 #18801 Evgeny Dyuka: 问题是,数据准备计划似乎已经用完了,正确率不超过65-66%,还需要更多。我正在寻找一种方法来突破这堵墙。 你的目标是什么? Evgeny Dyuka 2020.07.16 11:36 #18802 mytarmailS: 你的目标是什么? 65%的正确答案是一个好指标的水平,这就是目前神经所显示的。从70%以上,你可以尝试开仓。 mytarmailS 2020.07.16 11:40 #18803 Evgeny Dyuka: 65%的正确答案是一个好指标的水平,这就是Neuro目前的表现。如果答案是70%及以上,我们可以尝试开仓。 我明白,但目标是什么? 你用网子预测什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么? Evgeny Dyuka 2020.07.16 11:49 #18804 mytarmailS: 我明白了,但目标是什么? 你用网子预测了什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么? 我在预测一段时间后,价格会走高还是走低。 Evgeny Dyuka 2020.07.16 11:49 #18805 顺便说一下,也许行家们可以给你一个提示。这里有一个问题: 例如,任务是通过一张照片来区分猫和狗。什么是正确的培训方案? 1.只展示猫和狗的图片,即二元分类。 2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。 3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。 现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型善于检测价格的上升运动,而忽略了下降运动。如果向上的猜测高达67%,同一个模型只向下猜测了55%。"向上 "和 "向下 "可以在不同的模型中改变位置。 Evgeny Dyuka 2020.07.16 11:55 #18806 mytarmailS: 我明白了,但目标是什么? 你用网子预测了什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么? 我对每根蜡烛都进行预测,而不考虑趋势、反转等因素。这要靠神经元来思考这一切,并由我来回答 "上面还是下面"。 mytarmailS 2020.07.16 11:57 #18807 Evgeny Dyuka: 顺便说一下,也许专家可以帮助。这里有一个问题: 例如,任务是通过一张照片来区分猫和狗。什么是正确的学习方法? 1.只展示猫和狗的图片,即二元分类。 2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。 3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。 现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型善于检测价格的上升运动,而忽略了下降运动。如果模型向上猜测了67%,同样的模型只向下猜测了55%。上升 "和 "下降 "的模式可能会在不同的模型中改变位置。 这里的问题不在于分类变体,而在于用于训练的例子不平衡,无论是在数量上还是在例子的特征属性上都不平衡。 卷积网络? Valeriy Yastremskiy 2020.07.16 12:02 #18808 Evgeny Dyuka: 顺便说一下,也许专家可以帮助。这里有一个问题: 例如,任务是通过一张照片来区分猫和狗。什么是正确的学习方法? 1.只展示猫和狗的图片,即二元分类。 2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。 3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。 现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型擅长检测价格的上升运动,而忽略了下降运动。如果向上的猜测高达67%,同一个模型只向下猜测了55%。"向上 "和 "向下 "从模型到模型可以改变位置。 有两组点,我不记得这些点叫什么了,从照片上的任何识别都是为了识别眼睛、鼻子、嘴巴、耳朵、脸颊部位的点以及它们之间的距离和位置。就这么简单。因此,如果你只是展示一只猫,那是不可能的。首先,你必须训练识别猫与猫,狗与狗,然后才能进行区分。 是的,不仅仅是2个周期,如果有2个以上的班级,就会有更多的训练。 Evgeny Dyuka 2020.07.16 12:03 #18809 mytarmailS: 这里的问题不在于分类选项,而在于用于训练的例子的不平衡,不平衡的是例子的数量或特征属性。卷积网络? 不,不是卷积,我不显示真实的图片 )) 不平衡的学习例子很可能是原因,但我认为你必须搞清楚激活函数。答案落在了错误的洞里,而且有很多洞。我需要学习TensorBoard的巫术,但它是如此的痛苦... 简而言之,我没有足够的知识。 Evgeny Dyuka 2020.07.16 12:06 #18810 Evgeny Dyuka: 不,不是卷积,我不展示真实的图片)。 不平衡的学习例子很可能是原因,但我认为你必须搞清楚激活函数。答案落在了错误的洞里,而且有很多洞。我需要学习TensorBoard的巫术,但它是如此的痛苦... 我知道的还不够多。 打错了 - 不是激活函数,而是优化函数 1...187418751876187718781879188018811882188318841885188618871888...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
问题是,数据准备计划似乎已经用完了,正确率不超过65-66%,还需要更多。我正在寻找一种方法来突破这堵墙。
你的目标是什么?
你的目标是什么?
65%的正确答案是一个好指标的水平,这就是Neuro目前的表现。如果答案是70%及以上,我们可以尝试开仓。
我明白,但目标是什么? 你用网子预测什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么?
我明白了,但目标是什么? 你用网子预测了什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么?
例如,任务是通过一张照片来区分猫和狗。什么是正确的培训方案?
1.只展示猫和狗的图片,即二元分类。
2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。
3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。
现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型善于检测价格的上升运动,而忽略了下降运动。如果向上的猜测高达67%,同一个模型只向下猜测了55%。"向上 "和 "向下 "可以在不同的模型中改变位置。
我明白了,但目标是什么? 你用网子预测了什么?"反转"?"趋势"?"如果是趋势,你描述的趋势是什么?
顺便说一下,也许专家可以帮助。这里有一个问题:
例如,任务是通过一张照片来区分猫和狗。什么是正确的学习方法?
1.只展示猫和狗的图片,即二元分类。
2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。
3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。
现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型善于检测价格的上升运动,而忽略了下降运动。如果模型向上猜测了67%,同样的模型只向下猜测了55%。上升 "和 "下降 "的模式可能会在不同的模型中改变位置。
这里的问题不在于分类变体,而在于用于训练的例子不平衡,无论是在数量上还是在例子的特征属性上都不平衡。
卷积网络?
顺便说一下,也许专家可以帮助。这里有一个问题:
例如,任务是通过一张照片来区分猫和狗。什么是正确的学习方法?
1.只展示猫和狗的图片,即二元分类。
2.分别只教猫和 "非猫"(protos chaos)+分别也教狗和 "非狗",即两个训练周期和输出的两个模式。
3.做一个三类的分类--猫、狗和混乱。也就是说,会有一个模型,但答案是三个选项的分类。
现在我有第一个选项,而且显然是歪的。问题是,神经只能很好地学习其中一个变体,按照惯例只能很好地看到 "猫",而对狗的识别能力很差。例如,在回测中,模型擅长检测价格的上升运动,而忽略了下降运动。如果向上的猜测高达67%,同一个模型只向下猜测了55%。"向上 "和 "向下 "从模型到模型可以改变位置。
有两组点,我不记得这些点叫什么了,从照片上的任何识别都是为了识别眼睛、鼻子、嘴巴、耳朵、脸颊部位的点以及它们之间的距离和位置。就这么简单。因此,如果你只是展示一只猫,那是不可能的。首先,你必须训练识别猫与猫,狗与狗,然后才能进行区分。
是的,不仅仅是2个周期,如果有2个以上的班级,就会有更多的训练。
这里的问题不在于分类选项,而在于用于训练的例子的不平衡,不平衡的是例子的数量或特征属性。
卷积网络?
不平衡的学习例子很可能是原因,但我认为你必须搞清楚激活函数。答案落在了错误的洞里,而且有很多洞。我需要学习TensorBoard的巫术,但它是如此的痛苦...
简而言之,我没有足够的知识。
不,不是卷积,我不展示真实的图片)。
不平衡的学习例子很可能是原因,但我认为你必须搞清楚激活函数。答案落在了错误的洞里,而且有很多洞。我需要学习TensorBoard的巫术,但它是如此的痛苦...
我知道的还不够多。