a) 我们在训练器上教它 b) 检查验证中的误差，如果它比训练器中的大得多，就回到1，直到误差相同（相同的程度是多少--总误差的5%？例如，教程的15%和验证的20%) c) 在一个测试中检查，如果误差与前两组相同(多少相同？)，那么这个模型是稳定的，可以运行，如果不是，我们可以忘记它。并寻找其他预测因素，改变过滤方式，等等。
a) 在训练器上学习 b) 检查验证阶段的误差，如果它比训练阶段的误差大得多，就转到步骤1，直到误差相同（相同的程度是多少--总误差的5%？例如，教程的15%和验证的20%) c) 在一个测试中检查，如果误差与前两组相同(多少相同？)，那么这个模型是稳定的，可以运行，如果不是，我们可以忘记它。并寻找其他预测因素，改变过滤方式，等等。
1）我是否正确理解了将数据集分为训练、验证和测试的含义：？
2）顺便问一下，训练/验证/测试的错误率要达到多少？15/20/20%或者5/10/15%？或者其他？
3）我不太明白为什么建议混合训练实例？无论如何，我们将处理每个例子。
顺便问一下，在培训/验证/测试中要争取达到什么程度的误差？15/20/20%或也许5/10/15%或其他？
以前，是的，类似这样的事情。
至于错误，这取决于具体的情况。如果，比如说，MO或NS决定进入交易，那么50%的误差可能就足够了。例如，在一次成功的交易中，你平均获得2-3便士的利润，而在一次不成功的交易中，则损失1便士。在这种情况下，0.5并不是一个坏的概率。
前面那个，是的，不知怎么的。
至于错误，这取决于具体的情况。如果，比如说，MO或NS决定进入交易，那么50%的误差可能就足够了。例如，在一次成功的交易中，你平均获得2-3便士的利润，而在一次不成功的交易中，则损失1便士。在这种情况下，0.5并不是一个坏的概率。
因为我想学习到10%，但如果这个数字不切实际，我就会浪费我的时间和我的CPU。比方说--你取得的最好的错误是什么，在什么水平上可以停止，不寻求改进？
0.5可能没有那么多...那么我应该为哪些价值而努力呢？ 哪些是我在实践中可以真正达到的（不是其他一些NS任务，而是为了交易）？
因为我想学习到10%，但如果这个数字不切实际，我就会浪费我的时间和我的CPU。比方说--你取得的最好的错误是什么，在什么水平上可以停止，不寻求改进？
0.5是不够的？你一定是在跟我开玩笑）。我已经举了这个例子：扑克玩家有1/9-1/6的获胜概率，而好的玩家总是处于黑色。
而我所有的系统都在~0.5的概率下工作，而且总是在加号中。据我所知，许多TS的工作概率接近0.5--特别是在自动交易会议上提到了这一点。
"否则我想训练到10%，但如果这是一个不切实际的数字"--真实还是不切实际取决于具体任务。例如，我为MACs穿越训练了NS--所以它几乎100%可靠））。
0.5是不够的？你一定是在跟我开玩笑）。我已经举了这个例子：扑克玩家有1/9-1/6的获胜概率，而好的玩家总是处于黑色。
而我所有的系统都在~0.5的概率下工作，而且总是在加号中。据我所知，许多TS的工作概率接近0.5--特别是在自动交易会议上提到了这一点。
"否则我想训练到10%，但如果这是一个不切实际的数字"--真实还是不切实际取决于具体任务。例如，我曾教过NS穿越MAs--所以它几乎100%可靠))。
这是真的，你可以做到没有任何预测（50%），你只需要获利多于止损。 事实上，你不能预测任何事情，没有人知道外汇价格会去哪里，只有内部人士，木偶人知道。
事实上，不可能预测任何事情，没有人知道外汇市场的价格将走向何方，只有内部人士、傀儡者知道。
1）我是否正确理解了将数据集分为训练、验证和测试的含义：？
2）顺便问一下，训练/验证/测试的错误率要达到多少？15/20/20%或者5/10/15%？或者其他？
3）我不太明白为什么建议混合训练实例？无论如何，我们都要对每个例子进行处理。
1）不是全部，这是根本。
我们采取一个大文件。把它分成两个不相等的部分。
较大的部分是按你描述的那样划分的。我们得到的误差应该是大致相等的。
之后，我们在文件的第二部分检查模型。这一部分的错误又不应该有很大差别。
这是不存在围猎（过度拟合）的最重要证明。
误差的大小？这是一种常数，它来自于可以通过拟合模型的类型而减少的预测因子的集合。
比如说。
如果你的四个误差都在35%左右，那么通过选择一个模型，上帝保佑你把误差降低到30%。
PS。
低于10%的误差是过度训练的明显迹象。如果你有这样的错误，你应该反复检查一百次。
我在ALGLIB中发现了一个带有验证部分的早期停止。
从代码来看，它没有比较训练和验证部分的错误，而是在验证部分寻找最小的错误。如果它在30次迭代后没有找到更好的，或者所有的迭代都过去了，就会停止。
但我不确定这种方法是否比平时更好/更准确...除非训练周期的数量增加数倍...
这就是我们所得到的。
感觉有一个适合验证的情节。测试的那个一般来说是成功的，但它不是在训练中，也没有被比较，可能只是一个巧合。
这个f算合奏，而且有2/3的比例，所有的东西都混在两个剧情里，我也会试着做的......
洗牌了。
由于混合的原因，误差在训练和验证部分被平均化了。
我觉得有些不对劲，因为在真正的交易中棒子会按照自己的顺序走，而不是与一小时前和一天前的棒子混在一起。
而如果市场的 "性质 "发生变化，就意味着我们必须重新学习或寻找新的NS模式。
这实际上是可能的。0.5的预测和获利超过止损，与50/50是不一样的，上帝保佑）)- 即，没有预测。我们正在翻转一个完全不同的硬币））。
1）不是全部，而且是根本。
我们采取一个大文件。把它分成两个不相等的部分。
按照你描述的方式划分更大的部分。我们得到的误差，应该是差不多的。
之后，模型在文件的第二部分被检查。这一部分的错误又不应该有很大差别。
这是没有羽化（过度拟合）的最重要证明。
你需要做多少个周期的培训/验证？没有在任何地方看到关于它的信息...总共1个周期？- 之后，我们要么批准要么改变预测器组或网络方案中的某些内容？更确切地说，对于N个周期的训练，我们将看到一个最好的。