交易中的机器学习：理论、模型、实践和算法交易 - 页 1963

新评论
 
Maxim Dmitrievsky:

多个D型神经元(网格型)

误差，% = 45.10948905109489

再见 )

我把我的剪裁和我的愤慨通过邮件发给了网格的作者。
你是怎么确定的？钞票的真实性？
 
Valeriy Yastremskiy:
你是怎么确定的？钞票的真实性？

是

 
Maxim Dmitrievsky:

是

有缺陷的逻辑。
 
Valeriy Yastremskiy:
有缺陷的逻辑。

可能会有一些隐患。例如，你不能在属性中使用负值，因为它在微测试中使用二进制的。在稀少的描述中没有关于这个的内容，它没有显示任何错误。

 
Maxim Dmitrievsky:

可能会有陷阱。例如，你不能在属性中出现负值，因为它在微测试中使用二进制的。在稀少的描述中没有关于它的内容，它没有显示错误。

腐败的发生往往是基于不明确的症状。而在一个看似正确的逻辑中检测它们是一个问题。
 
一边是权重，一边是二进制。这就是我们的来历。
 

有趣的协同过滤 的NS方法

你可以拿交易工具和策略来代替人和电影的ID，拿一些衡量标准来代替成绩（期望值等）。然后计算出工具和策略的隐藏变量。然后是你想要的一切。将系统与仪器相匹配，或以必要的特性即时生成，为系统建立合成物....。

 
马克西姆-德米特里耶夫斯基：
，我给网格的作者发了电子邮件，表达了我的愤慨。

我想知道他回了什么信。

 
mytarmailS:

我想知道他注销了什么。

到目前为止还没有。样本必须有一定的规律性，这就是问题的关键。这是一种不同的方法。我认为在常规套路和上应该进行教学。也就是说，行中的熵越低，res越好，在该数据集中，样本是随机洗牌的。用abochanstian的术语来说，重要的不是模式，而是顺序。
 
elibrarius:
我们把最干净的拆分和不太干净的拆分混在一起。也就是说，我们将恶化在火车上的结果，原则上这对我们来说并不重要。但不确定它是否会改善测试的结果，即普适性。有人应该试试...就个人而言，我不认为泛化会比脚手架的情况好。

限制树的深度，不做最后的分割，在前一个分割处停止，这就容易多了。我们最终会得到同样不那么清晰的床单，比起我们做一个额外的分割。无论我们是否进行拆分，你的选择都会在两者之间提供一些东西。例如，你将用你的方法在第7层的深度上对板材进行平均。它将比第6个深度水平表略为干净。我认为这个概括不会有太大的变化，而且要检验这个想法是很费事的。你也可以用深度为6和7的几棵树取平均值--你会得到与你的方法论大致相同的东西。

我刚才可能没有说明，在小样本上应该至少有1%的指标留在表内，在大样本上应该有100个指标，所以当然拆分不会达到在任何类上的表内没有错误的程度。

你似乎误解了最后一步--我把它看作是对剩余1%样本的统计评估--在这个样本中，我们观察到结果随着不同预测器的分割而改善，我们得到了子空间信息，例如。

如果A>x1，那么目标1将有40%的正确率，也就是60%的子样本。

如果B>x2，那么目标1将以55%的比例被正确识别，也就是子样本的45%。

如果A<=x1，那么目标1将被70%的人正确定义，也就是50%的子样本。

这些拆分中的每一个都有一个重要性系数（我还没有决定如何计算），最后一个拆分也有一个。

以此类推，比方说最多5-10个预测因子，那么在应用时，如果我们到达最后一个分割点，我们将系数相加（或使用更复杂的求和方法），如果系数之和超过阈值，则该表被归类为1，否则为0。


实现这一点的一个简单方法是强行构建一个森林，直到倒数第二个分割点，然后排除已经从样本中选择的预测因子，这样就可以选择新的预测因子。或者干脆，在建立树后，按叶子过滤样本，并逐一查看每个预测器，寻找符合完整性和准确性标准的最佳分割。

而且，如果其他类别的 "0 "意味着没有行动，而不是相反的输入，那么训练样本的结果就会改善，否则就会有改善和恶化。

1...195619571958195919601961196219631964196519661967196819691970...3399
新评论