交易中的机器学习：理论、模型、实践和算法交易 - 页 377

[Maxim Dmitrievsky]

弗拉基米尔-佩雷文科。

分成火车/测试/验证后，混合火车。其余各组不要洗牌。
这对神经网络的分类是有效的。此外，对于深度神经网络训练来说，在送入之前将每一个minibatch混合起来。

祝好运

能否给我一个关于混合的参考资料？ 因为纯粹从直觉上讲，这毫无意义）以及预测者与目标的相关性（用这个我们解决了，几乎没有）。

[Forester]

弗拉基米尔-佩雷文科。

分成火车/测试/验证后，混合火车。其余各组不要洗牌。
这对神经网络的分类是有效的。此外，对于深度神经网络训练来说，在给神经网络喂食之前，对每个minibatch进行洗牌。

祝好运

我在ALGLIB的集合计算功能中发现了一个将火车和有效成分相互混合的例子。很明显，这是方法之一。

我只洗了火车。

训练的平均误差（80.0%）=0.396 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（20.0%）=0.391 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.395 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
测试的平均误差（20%）面积=0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6

误差在所有区段都是一样的，与混合火车和有效的时候一样。显然，效果是一样的。

[СанСаныч Фоменко]

elibrarius。

我发现在ALGLIB集合计算功能中，有一个将火车和有效的火车相互混合的例子。显然，这是其中一种方法。

只有火车被洗牌了。

训练中的平均误差（80.0%）情节=0.396 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（20.0%）=0.391 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.395 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6
测试的平均误差（20%）部分=0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6

误差在所有区段都是一样的，与混合火车和有效的时候一样。显然，效果是一样的。

除了这些之外，文件上的错误是什么？

[Forester]

桑桑尼茨-弗门科。

除了这些之外，文件上的错误是什么？

你是说在测试中？

测试 的平均误差（20%）部分=0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6

我还没有做test2的情节。我只对test1进行筛选。(也许在未来）。

[СанСаныч Фоменко]

elibrarius。

你是说在测试现场？

测试 的平均误差（20%）部分=0.398 nLearns=2 NGrad=1208 NHess=0 NCholesky=0 codResp=6

我还没有创建test2的情节。我只对test1进行筛选。(也许在未来）。

在所有这些样本之外

[Forester]

桑桑尼茨-弗门科。

在所有这些样本之外

外面没有，所有的数据都已经用过了。

[СанСаныч Фоменко]

elibrarius。
开箱后，所有的数据都已被使用。

是否有可能将源文件分成80/20？然后你所有练习的80%，然后20%没有任何混合。

[Forester]

桑桑尼茨-弗门科。

你能把源文件除以80/20吗？然后，你所有练习的80%，然后20%不做任何混合。

有了混合。

训练的平均误差（51.0%）部分=0.683（68.3%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（13.0%）=0.685（68.5%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.683（68.3%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
测试的平均误差（16.0%）部分=0.661（66.1%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
测试点的平均误差2（20.0%）=0.671（67.1%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6

无需搅拌

训练的平均误差(51.0%) 情节=0.516(51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（13.0%）=0.376（37.6%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.491（49.1%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
测试现场的平均误差（16.0%）=0.344（34.4%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
测试点2的平均误差（20.0%）=0.326（32.6%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6

只有2个周期的再培训，对于速度...睡觉时间已到)

[СанСаныч Фоменко]

elibrarius。

随着洗牌的进行。

训练的平均误差(51.0%) 情节=0.683(68.3%) nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（13.0%）=0.685（68.5%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.683（68.3%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
测试的平均误差（16.0%）部分=0.661（66.1%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6
测试点的平均误差2（20.0%）=0.671（67.1%） nLearns=2 NGrad=725 NHess=0 NCholesky=0 codResp=6

无需搅拌

训练的平均误差(51.0%) 情节=0.516(51.6%) nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
验证图的平均误差（13.0%）=0.376（37.6%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
全图（训练+验证）。
平均学习误差=0.491（49.1%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
测试现场的平均误差（16.0%）=0.344（34.4%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6
测试点2的平均误差（20.0%）=0.326（32.6%） nLearns=2 NGrad=1063 NHess=0 NCholesky=0 codResp=6

只有2个周期的再培训，对于速度...睡觉时间已到)

你的模型没有学到任何东西--它都是来自于球场。它在某处捡到了一些东西，然后发现这些东西是不相关的。

从数据挖掘开始。目标，然后搜索与目标相关的预测因子，再确定所选预测因子对具体目标的预测能力，然后才是模型

其他都是数字的智力游戏。

[Maxim Dmitrievsky]

https://www.youtube.com/channel/UCLk-Oih8VlqF-StidijTUnw

他在周末有事情要做 :) 为Nubas准备的ar

而这里有一个人在做一些算法交易。