交易中的机器学习：理论、模型、实践和算法交易 - 页 2292

新评论
 
Rorschach:

进行第二次净输出，计算地段。或者用网格信心作为地段乘数。

平均化和网格化并不总是关于地段大小的问题

 
Maxim Dmitrievsky:

在增量中存在一个噪音

如何找到以1个周期为单位的24个周期？

容易。走向增量是差异化的。振幅与频率的比例发生了变化，但它们并没有走样。当慢速循环不堵塞快速循环时就更好了，你不需要用破折号来过滤。

 
Maxim Dmitrievsky:

在增量中存在一个噪音

如何找到以1为单位的24周期的周期？

窗口48

 
Aleksey Mavrin:

同事们，你们能根据经验告诉我吗？

我想知道在训练过程中监控输入层的权重（输入被归一化）是否有意义？它是否给出了一些现实的东西来评估投入的重要性？

我使用 Dmitriy Gizlyk的库来做实验。

我知道，通过将数据卸载到R或Python中，我可以计算出各种各样的小问题。但我还没有去找他们，而且他在显卡上的解决方案几乎是 "飞 "的，这很方便。

一般来说，为了简单 起见，监测投入的权重是否有意义，或者在任何情况下，我应该首先对投入进行详细的分析？

对于输入的初步分析，你可以使用

 
Maxim Dmitrievsky:

你可以通过权重来估计影响

我明白了，权重越大，影响力越大。 有可能获得更多的信息吗？

例如，理解问题没有最佳解决方案，或者不是凸的（如果我没有混淆这个术语的话）。 也许权重会以某种方式上升到无限大，或者也许在相同的网络错误下，权重会有不同的变化（即在一个输入非常小，然后在另一个训练方法中（重新开始）反之则非常大），等等。

实际上，现在我正在努力完成一项任务，即两个班级的分布不对称（其中一个班级超过60%），网格在100%的情况下 "烧毁 "产生一个班级。

我以不同的方式过滤输入数据，并拾取新的数据。 问题可能有助于过滤 "坏 "的输入，哪些输入应该被丢弃或以不同方式过滤。

 
Rorschach:

你可以使用脚手架对输入进行初步分析

是的，我知道，我是在R中做的，懒得来回走动，而且时间很长。MT5上的algleib允许这样做，正常情况下没有任何干扰？

但我想，也许有些人的培训会告诉我是否要看输入的权重。

 
Aleksey Mavrin:

我明白了，分量越重，影响越大。 有可能获得更多的信息吗？

例如，理解问题没有最好的解决方案，或者不是凸的（如果我没有混淆这个术语的话）。 也许权重会以某种方式上升到无穷大，或者也许在相同的网络错误下，权重会有不同的变化（即在一个特定的输入非常小，然后在另一个训练方法中（重新开始）相反地非常大），等等。

实际上，现在我正在努力完成一项任务，即两个班级的分布不对称（其中一个班级超过60%），网格在100%的情况下 "烧毁 "产生一个班级。

我以不同的方式过滤输入数据，并拾取新的数据。这个问题可能有助于过滤 "坏 "的输入，哪些输入应该被完全舍弃或以不同方式过滤。

你可以做很多事情。我不能告诉你苏打水，因为有特殊的套餐。

班级应该对NS进行平衡。添加缺少的例子

 
Aleksey Mavrin:

是的，我知道，是在R中做的，太懒了，来回跑了很久。但MT5上的Alglib是否让你正常做，没有任何问题？

我宁愿学习Python。

我 已经学会了使用python。

我还在纠结一个问题，即两个班级的分布不对称（其中一个班级超过60%），在一个班级100%的情况下，网子 "烧毁 "了。

平衡类别，或重做衡量标准，这将给稀有类别更多的分数

 
Rorschach:

容易。走向增量是差异化的。频率的振幅比发生了变化，但它们并没有去哪里。更妙的是，慢速循环不会堵塞快速循环，你不必通过混杂物来过滤。

奇怪的是，如果很容易的话，为什么找不到他们呢？

 
Maxim Dmitrievsky:

那么，如果很容易，你为什么不找他们？

除非你用正弦波做实验，否则你永远不会知道。

1...228522862287228822892290229122922293229422952296229722982299...3399
新评论