交易中的机器学习：理论、模型、实践和算法交易 - 页 2407

[Dmytryi Nazarchuk]

mytarmailS:

讨论哪种模式更好是小儿科，大约7年前我曾经遭受过这种垃圾。

如何产生新的信息性特征 - 是

如何为市场创造客观的健身函数 - 是

如何转化传入的信息 - 是

如何建立市场适应性的功能 - 是

但是，在相同的空数据上讨论NS和Forrest哪个更好，只是在打脸......。

所有几十种不同的MO算法之间的误差差异为0.5 - 2%。

2%的卡尔！！我们需要讨论的是给出20-30%的差距。

如果征兆是有信息的，那么任何AMO都能很好地工作，反之亦然!!!!。

这些话是一个对他多年来在这个话题中讨论的内容一无所知的人说的。

正态哑铃线性回归 和NS之间的正向测试的 "误差差异 "可能超过20-30%，而且不有利于网络。

而且这很容易检查和证明。

这就是为什么网络是通常的适合

[mytarmailS]

Dmytryi Nazarchuk:

这些话是一个对他多年来在这个话题中讨论的内容一无所知的人说的。

正态哑铃线性回归 和NS之间的正向测试的 "误差差异 "可以超过20-30%。

而且很容易检查和证明。

示范

[Dmytryi Nazarchuk]

mytarmailS:
演示

蓝色曲线（GBP D1 - GBP LineReg），橙色曲线（GBP D1 - GBP NN）。

2009-2020年学习样本，2021年前进。

自变量是相同的。

[mytarmailS]

Dmytryi Nazarchuk:

蓝色曲线（GBP D1 - GBP LineReg），橙色曲线（GBP D1 - GBP NN）。

2009-2020年学习样本，2021年前进。

自变量是相同的。

请给我发送数据，格式为标志、目标、神经元输出、回归输出，以及标签，在哪里跟踪哪里测试

[Dmytryi Nazarchuk]

mytarmailS:
请把数据以标志、目标、神经元输出、回归输出和标签的格式发给我，其中trace是指测试的地方

)不，我不能重置标志。

[mytarmailS]

Dmytryi Nazarchuk:

)不，我不能重置标志。

为什么？

算了吧，我只是想告诉你，如果你有一个理解，你可以做出一个林。回归模型和NS一样好，甚至比NS更好...

但这一切开始的时候并不是这样的，对于标准数据来说，没有任何一个AMO能够提供相当大的优势，当你需要20-30%的时候，2%的差异并不重要。

[Dmytryi Nazarchuk]

mytarmailS:
为什么？

嗯，这已经是我的诀窍了。

[mytarmailS]

Dmytryi Nazarchuk:

嗯，这就是我的诀窍。

因此，如果你抛出一个现成的功能矩阵和一个现成的目标，这是否揭示了你的那种技术诀窍？

德米特里，你是个天才！"。)) 我现在最好去读一本书......

[Dmytryi Nazarchuk]

mytarmailS:

所以，如果你扔进一个现成的特征矩阵和一个现成的目标，会不会暴露你的技术诀窍？

德米特里，你是个天才！"。))我最好去读一本书。

谢谢!

[Maxim Dmitrievsky]

有时人们不理解回归模型和激活f茎的回归模型之间的区别，因此得出了歪曲的结论。例如，如果你不对第二个数据进行适当的归一化处理，就会出现梯度爆炸，它就不会学到任何东西。

另外，他们不了解第一个模型是一个没有激活f-sions的简单神经元，第二个模型是由它衍生出来的。