//день недели, час = ввести через 2 предиктора sin и cos угла от полного цикла 360/7, 360/24double tmp[4];
int nInd=0;
MqlDateTime dts;
double pi=3.1415926535897932384626433832795;
for(int buf=0; buf<2; buf++)
{
TimeToStruct(iTime(Symbol(),PERIOD_CURRENT,0),dts);
//tmp[buf]=(double)(dts.hour*60+dts.min)*360.0/1440.0;
tmp[buf]=(double)(dts.hour*60+dts.min)*360.0/24.0;
tmp[buf]=(buf==0?MathSin(tmp[0]*pi/180.0):MathCos(tmp[0]*pi/180.0));
TimeToStruct(iTime(Symbol(),PERIOD_CURRENT,0),dts);
//tmp[buf+2]=(double)(dts.day_of_week*1440+dts.hour*60+dts.min)*360.0/10080.0;
tmp[buf+2]=(double)dts.day_of_week*360.0/7.0;
tmp[buf+2]=(buf==0?MathSin(tmp[0]*pi/180.0):MathCos(tmp[0]*pi/180.0));
}
已经开始训练了，没有分钟--我们会看到的。
我还使用1/4条时间--小时、4小时、天。
一般来说，事实证明，木制模型需要大量的输入，这些输入被尽可能地预先划分，即有最小数量的可能自己划分。
一般来说，事实证明，木质模型需要许多尽可能预先分离的输入，即具有最小数量的可能的自身划分。
如果你自己做量化，那么是的，但也有内置的自动化。
上面的直方图只是每个预测器的不同量子数，你可以看到它们如何影响最终结果。
如果要取出有价值的信息的脉络作为预测器的一个单独的量子，可以将这个脉络编码为二进制特征，并将其单独输入。
一般来说，事实证明，木制模型需要输入大量的输入，这些输入尽可能地被预先分割，即有最小数量的可能的自身分割。
平衡 - T1有分钟，T2无分钟 -平均结果： 3384/3126/3890
召回 - 平均结果：0.0459/0.0424/0.0458
精度--平均 得分：0.5216/0.5318/0.5389
从T2总分的平均分数来看，出现了最坏的情况。
我打开了预测因子的显著性表，感到很惊讶
我似乎不喜欢训练方法所做的最后一次改变，也许我做错了什么？
我打开了样品
而且我看到TimeHG列包含了小时--我的错误--我需要重新做所有的测试。
平衡--有会议的T1和没有会议的T2--平均得分： 3384/3126/3890
召回 - 平均得分：0.0459/0.0424/0.0458
精度--平均 得分：0.5216/0.5318/0.5389
从T2总分的平均分数来看，出现了最坏的情况。
我打开了预测因子的显著性表，感到很惊讶
我似乎不喜欢训练方法所做的最后一次改变，也许我做错了什么？
我打开了样品
我看到TimeHG这一栏--是小时--我的错误--我需要重新做所有的测试。
而时间仍然与分钟同在。
它应该是这样的
TimeHG--显然接管了一切，这就是为什么其他手表没有被使用。而时钟只剩下几分钟的时间
我们必须这样做。
好的。
训练了3个月--纯粹是为了好玩--一开始就训练。整个时间表是2014-2020年。
如果你采取大周期，你会得到一个平庸的模型。同时，你可以在整个期间采取3个月的不同时期。
例如在这里，你可以看到训练的时期--前后的动态是积极的。
当前的期货
垫子的期望值显示为6.15的实际刻度。
我拿了一个较新的模型。
有趣的是，它们是不同的，这为将它们合并成一个委员会提供了潜力。数学上的期望值是12.64。
下面是一个直方图，包括训练样本的估计余额，取决于训练窗口的数字--数字越大，越接近我们的时间，我提醒你，样本是从2014年到2020年10月。
有趣的是，在一些地方，利润几乎下降到最高值的一半。这可能意味着什么--训练时更嘈杂的区域？
而时钟只剩下几分钟的时间
它应该是这样的
TimeHG--显然是接管了一切，这就是为什么其余的时钟没有被使用。余额 - T1有会议记录和T2无会议记录 - 平均结果：4209.70/2882.50/3889.90
召回 - 平均结果：0.0479/0.0391/0.0458
精度--平均得分：0.5318/0.5168/0.5389
预测因素的重要性
平均来说，没有分钟的选项（T2）就会合并。
平衡--有会议记录的T1和没有会议记录的T2--平均得分：4209.70/2882.50/3889.90
召回 - 平均得分：0.0479/0.0391/0.0458
精度--平均得分：0.5318/0.5168/0.5389
预测因素的重要性
平均来说，没有分钟的选项（T2）就会合并。
分钟给予增加。
关于哪个更好，我不明白--时间是正弦和余弦还是仅仅是日、时、分的数字？
结论是什么？
分钟给予增加。
关于哪个更好--时间是正弦和余弦，还是只作为日、时、分的数字？
到目前为止，我们可以得出结论，T2显然是一个更糟糕的选择，添加正弦和余弦不等同于线性时间。我认为结果不同是因为数字的表示方法，即它们之间的距离。不同的距离影响了聚类网格的形成--因此出现了差异。
到目前为止，我们可以得出结论，T2显然是一个更糟糕的选择，添加正弦和余弦不等同于线性时间。我认为结果不同是因为数字的表示方法，即它们之间的距离。不同的距离会影响聚类网格的形成--因此出现了差异。
理论上--对树来说应该是一样的。
日、时、分的不同选项数量等于正弦和余弦的选项数量。7天内那里和那里都是10080个不同的值，每分钟变化一次。
如果在训练中存在任何随机性，这可能是造成差异的原因。
你用什么训练过吗，catbust？
对于NS来说，正弦和余弦当然更好，因为59和1分钟会挨在一起，用数字表示它们的距离越远越好。如果你想让树理解它，你就必须做几个额外的分割，这可能是它所缺乏的深度限制。