交易中的机器学习:理论、模型、实践和算法交易 - 页 2292 1...228522862287228822892290229122922293229422952296229722982299...3399 新评论 Maxim Dmitrievsky 2021.01.14 10:01 #22911 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 Rorschach 2021.01.14 10:07 #22912 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。 Valeriy Yastremskiy 2021.01.14 10:09 #22913 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 Rorschach 2021.01.14 10:11 #22914 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 Aleksey Mavrin 2021.01.14 10:12 #22915 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。 Aleksey Mavrin 2021.01.14 10:14 #22916 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。 Maxim Dmitrievsky 2021.01.14 10:21 #22917 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 Rorschach 2021.01.14 10:21 #22918 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 Maxim Dmitrievsky 2021.01.14 10:23 #22919 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? Rorschach 2021.01.14 10:27 #22920 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 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
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
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。
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
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
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。
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。
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
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
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?
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。