Эта статья продолжает серию публикаций о глубоких нейросетях. Рассматривается выбор примеров (удаление шумовых), уменьшение размерности входных данных и разделение набора на train/val/test в процессе подготовки данных для обучения.
与相同条件下的相同 NN 相对应的是，学生可以写出更有效的算法。而另一个学生可以改进这种算法，或将其用于其他曲率空间的条件（或优化/简化）。在这个简化的例子中使用 NN 是死路一条，其结果无法有意识地得到质的改进。这也是 NN（以及 DL）的普遍问题。这些方法可用于从一组偏红、偏绿、紫色背景的黑白长方形中识别红/绿、圆/方形。解决狭窄的特殊问题，而不是将等式输出到无穷大
您是否将您的算法与 KNN（或对其进行的某些修改）进行过比较？这将是一个有趣的问题，因为它的增益有多大。
KNN 完全不是一回事。
我感兴趣的是 "预测能力"，而不是分类，即使没有老师，这在我们的业务中也是无用的。
这真是向前迈进了一大步。指标和专家需要重写吗？
既然您在这里，感谢您提供ICA，我还有一个关于特征提取（您将其描述为"识别独特而重要的成分"）的问题 -- 我曾经浏览过这个主题（关于 Python 的描述），后来放弃了....。我的印象是，他们只在处理图像和文本时 才使用这种提取方法-- 在处理结构化数据（如因子表）时，我们是否应该使用这种方法？......您能否写几句话介绍一下该算法的本质，以了解它的用处？还是我错过了什么？(我在 Python 中看到的东西并没有启发我将特征提取 应用到市场因素中）。
关于偏好：还是您仍然决定使用常规（或分层，如您所述）PCA？
您现在使用的降维方法是什么？
感谢您的文章
在信息量不断增加的情况下，NN 是否还能正常工作还存在很大疑问。上文提到，有东西在墙壁之间跑来跑去，吃掉了绿色，却没有碰到红色。随着迷宫的增加（信息增长），它对红/绿的记忆会被抹去。因此，它在之前的阵型中行动自如，但在新的阵型中就不行了。只要模式重复，它就能或多或少地发挥作用。只有在训练过的地方，它才能完美地工作。
与相同条件下的相同 NN 相对应的是，学生可以写出更有效的算法。而另一个学生可以改进这种算法，或将其用于其他曲率空间的条件（或优化/简化）。在这个简化的例子中使用 NN 是死路一条，其结果无法有意识地得到质的改进。这也是 NN（以及 DL）的普遍问题。这些方法可用于从一组偏红、偏绿、紫色背景的黑白长方形中识别红/绿、圆/方形。解决狭窄的特殊问题，而不是将等式输出到无穷大
KNN 完全不是一回事。
我感兴趣的是 "预测能力"，而不是分类，即使没有老师，这在我们的业务中也毫无用处。
不过，如果在滑动窗口中使用 KNN，它是处理非平稳性的最简单方法。它始终使用同一组预测因子，因此可以与改变预测因子的算法进行比较，并评估这种复杂性带来的好处。
我将发布我的方法，它能稳健而灵敏地解决类似问题--我将给出理论并发布 R 代码。
这样做是为了相互丰富对机器学习任务的 "理解"。
我所发布的内容还不足以发布您所说的内容吗？
不过，在滑动窗口中使用 KNN 时，它提供了处理非平稳性的最简单方法。它始终使用同一组预测因子，因此可以与改变预测因子的算法进行比较，并评估这种复杂性带来的好处。
我不认为做一些不能产生预期结果的事情有什么意义。
这里有谁问到 NN 和 AI 在交易中的应用？
(moderated) platform (moderated) ( moderated) (moderated) (moderated) (moderated) (moderated) understands the description of trading conditions/rules/parts-algorithms in natural language.当然是用英语
在我看来，这里是人工智能努力的正确方向。如在其 Wolfram 领域，但 Wolfram 主要是一本百科全书
---
现在，在同一领域长期交流的人们无法相互理解。如果没有自动翻译器或双方签署的具有约束力的实体命名协议：-)
您是否将您的算法与 KNN（或对其进行的某些修改）进行过比较？这将是一个有趣的问题，因为它的增益有多大。
我不认为做一些原则上无法得到预期结果的事情有什么意义。
不过，如果在滑动窗口中使用 KNN，它是处理非平稳性的最简单方法。它始终使用同一组预测因子，因此可以与改变预测因子的算法进行比较，并评估这种复杂性带来的好处。
我不同意这种说法。
市场在变化，而变化的时间间隔是不同的，相互独立。
我曾经可以编写 3 至 6 个月的智能交易系统。我在周末对它们进行优化。然后它们就死了，短时间内 ，足以耗尽存款。 没有足够的时间进行优化。最后情况更糟：一段时间后，我发现存在一个边界，离开这个边界就无法选择参数。
市场变化的时间更长：5-7 年。但结果与月度周期相同。机器人将永远死亡。我将在私信中发送市场上的具体机器人 - 您不能在这里发送。
因此，"样本过期 "的整个概念都是垃圾。机器人仍有生命周期，但我们不知道有多长：3个月还是7年。当机器人死亡时，我们会将其与另一次缩水相混淆，从而耗尽我们的资金。
理想情况下，应该在下一根蜡烛上重新训练机器人。如果我们在 ticks 上工作，那么就在下一个 tick 上，在 H1 上，那么就在下一个小时到来时。
谢谢，这就很清楚了，为什么每条)))))为什么几分钟后就转到 ticks))))))
如果 KNN 本质上是 K-means（K-nearest-neighbors 的外来名称？），那么它（K-means）使用欧氏距离...... "当变量不相关时 -- Mahalanobis 距离与普通欧氏 距离重合" ....在 LDA 中...如果它们是相关的 -- 那么马哈罗诺比距离更好，正如昨天所提到的一般方式没有什么能阻止你使用其他距离代替欧氏距离。当然，你不能使用 Mahalanobis，因为它是点与样本之间的距离，而不是两点之间的距离。