交易中的机器学习:理论、模型、实践和算法交易 - 页 3308

 
СанСаныч Фоменко #:

古老的歌谣

没有人需要这组参数。而测试仪中的优化正是在寻找这样一个唯一的集合,大量的 "优化者 "只满足于这一组参数,而不去关注 "二维图",你可以尝试找到一组集合,即找到一个高原,而不是最大值。

而最优集在二维图上看起来就像苍白或白色方格中的一个绿色小岛,这表明训练过度,即某些特殊性被剔除,而这些特殊性是非常最优的,但却永远不会再遇到,这就是所谓的训练过度。

好吧,让我问一个简单的问题:你能明确估计出你所谓的 "高原 "吗?- 如果能,那就描述一下估算的方法,以便你对高原上的东西有最大的估算值!!!!!- 难道这很难理解吗?那就明确地进行估算,以便您需要找到的东西具有最大可能的估算值。

再说一遍,如果最大值不是你优化时想要的,那么你就用错了估计值。

 
Andrey Dik #:

随你便,我并不坚持。

)))

 
Andrey Dik #:

好吧,让我问一个简单的问题:您能明确估计出您所谓的 "高原 "吗? - 如果能,那就描述一下估算方法,这样 你在高原上找到的东西就有了最大的估算价值!!!!!- 这很难理解吗?请明确估算,以便您需要找到的东西具有最大可能的估算值。

再说一遍,如果最大值不是你优化时想要的,那么你就用错了估计值。

在测试仪中,估算是靠眼睛的:绿色越浓,图表中连续绿色所占的部分越多(最好是相同强度的绿色),就越好。如果图表看起来像棋盘,那么 TS 就没有希望了。

我们不需要最佳模型。此外,"模型 "一词本身并不意味着最优。模型是 现实 某种粗化,而粗化的程度是经验,或者说是模型创建者的运气。

 
СанСаныч Фоменко #:

在测试仪中,评估是通过眼睛来进行的:绿色越浓,图表中连续绿色所占的部分越多(最好是相同强度的绿色),则越好。如果图表看起来像棋盘,则 TS 无望。

我们不需要最佳模型。此外,"模型 "一词本身并不意味着最优。模型是 现实 某种粗化,而粗化的程度是经验,或者说是模型创建者的运气。


hopelessly....

你还没有回答我的问题。

你所说的 "高原 "是否可以明确评估?

 
Andrey Dik #:

forlornly....
你还没回答我的问题

我对理论不感兴趣。有测试仪就有意义。没有必要在 MO 中寻找高原。

 
СанСаныч Фоменко #:

我对理论不感兴趣。有测试仪就有意义。在 MO 中,寻找高原是不值得的。

这是一个实践问题。

那么,再问一次,是否有可能明确估算出您所谓的 "高原"?

创建一个评估,将指定的 "高原 "值范围内的点击次数考虑在内,您不会对高于或低于该高原值的所有内容感兴趣,因此,在这样的评估中,高原值将具有最大可能值。

 
Andrey Dik #:

这正是这种做法的意义所在。

那么,再问一次,是否有可能明确评估你所说的 "高原"?

测试仪再次显示绿色。

 
СанСаныч Фоменко #:

再一次:测试仪中的纯绿色

这和测试仪有什么关系,和绿色又有什么关系?

如果你回答了我的问题,你就不会再寻找这个臭名昭著的高原了。

 
Andrey Dik #:

测试仪和绿色有什么关系?

如果你回答了我的问题,你就不会再去寻找传说中的高原了。

我不需要你回答我的问题。如果我找到了答案,我将何去何从?回答你的问题有什么实际价值?

我将在 EA 的什么地方插入你问题的答案?你的问题的答案要放在国防部的什么地方?

为什么要问一百次我不需要答案的问题?

 

我猜,安德鲁把训练 NS 和优化其参数混为一谈了。

两者都有点像优化,当一只小猫被泼了很多食物时,这有点令人不安。