Самое интересное что я не понимаю почему он открывает сделки туда или обратно. экспериментирую с предикторами и разными способами открытия поз. тем более что оно копирует механизм работы настоящих нейронов очень примитивно и не так как на самом деле это происходит в мозгу Единственное из НС что нормально работает и перспективно это сверточные нс для распознавания всяких образов
Orthogonal Random Forests are a combination of causal forests and double machine learning that allow for controlling for a high-dimensional set of confounders , while at the same time estimating non-parametrically the heterogeneous treatment effect , on a lower dimensional set of variables . Moreover, the estimates are asymptotically normal and...
弗拉基米尔的文章 也有 10%-20%左右的误差,但平衡线并不乐观。
这可能还取决于培训.... "a-post "的解释。
在上一篇中补充
#299
有人删除了我发布视频的帖子......我不知道怎么会这样。
有人删除了我发布视频的帖子......我不知道怎么会这样。
好吧,好吧,好吧,我猜你炫耀了很多。
这里有一个关于木制模型的。
#4469
#4467
关于猫扑搜索?谁发起了这个主题
好吧,好吧,好吧,你一定炫耀了很多。
这里是木制模型
#4469
#4467
关于 catbusters 搜索?😄谁发起了这个主题
听着,"木头 "根本不是争论的焦点...国防部 95% 的教程都是从木头开始的,这是初学者最先了解的东西,你并不负责它。
听着,木头根本就不是理由......国防部 95% 的教程都是从木头开始的,初学者都是先学木头,这不是你的错。
这里以前主要是用 NS,我想知道为什么不是用树。我做了测试,结果发现树木也不差。我以前没有在这里看到过这样的信息,否则我也不会问这个问题。
后来我改用 bousting,找到了 katbust 库,并开始在这里复制它。
以前在这里讨论的主要是 NS,我想知道为什么不是树。我做了测试,结果发现它们并不差。我以前没有在这里看到过这样的信息,否则我也不会问这个问题。
顺便说一句,树可以作为聚类和 FS 的替代品--"二合一"。
然后我改用了 bousting,找到了 katbust 库,并开始在这里复制它
顺便说一句,树可以作为聚类和 FS 的替代品。
关于算法:它在数学上提供了另一种二阶导数(或统计上的残差平均)--但它对训练有什么帮助,在什么情况下?因为并不是每个点的精度都很重要,有时模型的生成能力可能更重要?因果推断 也有木质模型,但还没来得及弄清楚
提升模型可以减少偏差和方差,而森林模型只能减少方差。它的优势已经得到证实,你可以谷歌一下。而且这个库本身就是开发出来的,使用起来很方便。
至于生成式,目前还不太清楚,也许有时它们更重要。但是,如果我们谈论的是生成合成数据,NS 生成式在 Forex 上效果并不好。
如果我们说的是生成合成数据的话。
不 - 这是关于概括......是的,错了,表示....对不起。
我认为是为了区分 "有风险 "和 "无风险 "的环境 -- 我还在考虑如何概括这种划分......都是我自己的想法(无意中在论坛上看到的)...
感谢您的回复!
不是 - 是以偏概全.....是的,错了,快讯....对不起
我认为是为了区分风险上/风险下的环境 -- 还在考虑如何概括这种划分...都是我自己的想法(无意中在论坛上看到的)...
感谢您的回复!
试试吧,catbusta 有很多不同的功能,我很喜欢。
基于验证样本的误差,预训练可以提前停止。泛化效果并不比 NS 差,NS 还需要编写自己的函数来停止学习。
而且它的学习速度很快,无需等待数小时。
我只是想知道,MO 能否模拟 JA 中的原始函数?
有一个矩阵,矩阵的每一行都是一个训练示例。
我们需要找出每一行的最大值,样本大小为 20k 行。
通过回归解决问题
四舍五入以求清晰
相当不错,在 50 行新线路的测试中只有几处错误
但矩阵 X 中的数据非常简单,从 1 到 5 只有 5 个唯一值,只有 5 列,但已经出现了错误。
不过我认为,如果我们进行分类,就不会出现错误,您可以顺便检查一下。
嗯,是的,没错,但如果我们要寻找数据中的最大值,那么分类就不合适了,因为值的散布可能是巨大的....。
所以,让我们回到回归法,把数据复杂化。
我们会得到这样的结果。
原则上这并不坏,但常用的函数 mach() 可以做得更好,而且可以取代所有这些模型....
顺便说一下,我想知道其他模型将如何工作,它们是否能够在 不出错 的情况下创建mach() 函数