交易中的机器学习：理论、模型、实践和算法交易 - 页 393

[Forester]

Mihail Marchukajtes:
大家好!!!!我很高兴这个话题没有死，还活着，所以我有一个问题要问公众。我有一个用于训练的数据集，但不幸的是，它变得如此之大，训练时间太长。谁能用自己的经验建立一个模型，然后我们一起看看它的效果如何!!!!!。

尝试留下输入（按从0开始的顺序，0是第1列）。

0,4,50,53,59,61,64,92,98,101,104,

[Mihail Marchukajtes]

我能够计算出数据集的截断部分，这是样本外网络的结果，但我不得不完全镜像该模型。

这是05.29的作品，我认为它很不错。

[Mihail Marchukajtes]

elibrarius。

试着留下输入（按顺序从0开始，0是第1列）。

0,4,50,53,59,61,64,92,98,101,104,

优化器的优势是什么，它可以删除不必要的列。这就是为什么它需要这么长时间。但现在我将尝试优化完整的数据集，但根据你的建议，然后看看样本外的结果会如何。

[Mihail Marchukajtes]

Mihail Marchukajtes:

优化器的优势在于它可以删除不必要的列。这就是为什么它需要这么长的时间来计算。但现在我将尝试优化完整的数据集，考虑到你的建议，然后看看样本外的结果会是什么，好吗？

干得好！！！。我已经开始训练了，考虑到柱子少了很多，我想很快就能算出来，我会公布结果的 :-)

这是正确的，第一次训练的结果是55%的可概括性。

[Mihail Marchukajtes]

奇怪的是，有了这些输入，模型也需要反转，然后在同一地区，人们可以得到以下股权

这有点糟糕，但仍然可以应用。

我希望我们能在优化器上运行整个数据集。我认为那样的话，更多的柱子会被选中，概括水平会更高，因此在非抽样区的网络质量也会更高......

[Forester]

Mihail Marchukajtes:

干得好！！！。我已经开始训练了，因为柱子的数量明显减少了，我想它会很快计数的，我会公布结果的 :-)

这是正确的，第一次训练的结果是55%的可推广性。

55%的可概括性是什么？
正常的MLP给出11-5-1。
训练的平均误差(60.0%)情节=0.057(5.7%) nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2
验证时的平均误差（20.0%）情节=0.038（3.8%）nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2
测试的平均误差（20.0%）情节=0.023（2.3%）nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2

[Mihail Marchukajtes]

elibrarius:
55%的普适性是什么？
传统的MLP 11-5-1给出：
训练的平均误差（60.0%） plot =0.057（5.7%） nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2
验证的平均误差（20。0%）部分=0.038（3.8%） nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2
测试的平均误差（20.0%）部分=0.023（2.3%） nLearns=2 NGrad=332 NHess=0 NCholesky=0 codResp=2

我甚至不知道该怎么回答。唯一的办法是引用报告中的一个例子。优化的结果 可能是这样的：如何解释由每个人自己决定，但当优化完成后，结果看起来如下。

* 归纳能力的敏感度：55.12820512820513%。

* 归纳能力的特异性：55.5045871559633%。

* 归纳能力： 55.309734513274336%。

* 真正的积极因素：129

* 假阳性率：105

* 真负数：121

* 假阴性率：97

* 有统计的样本中的总模式：452个

在红色部分，我强调了概括能力的总体结果。第一个是猜中1的百分比，第二个是猜中0的百分比，第三个是总数。

[Forester]

Mihail Marchukajtes:

我不知道该说些什么。除了从报告中举出一个例子。优化结果 看起来是这样的，你可以用任何方式来解释它，但当优化完成后，结果看起来如下。

* 归纳能力的敏感度：55.12820512820513%。

* 归纳能力的特异性：55.5045871559633%。

* 归纳能力： 55.309734513274336%。

* 真正的积极因素：129

* 假阳性率：105

* 真负数：121

* 假阴性率：97

* 有统计的样本中的总模式：452个

在红色部分，我强调了概括能力的总体结果。第一个是猜中单数的百分比，第二个是猜中零数的百分比，第三个是总数。

MLP有95%的时间是在猜测......我认为你做错了自行车）没有冒犯的意思。
我也在制作自己的自行车，但基于几十年来经过验证的MLP（正如他们所说，已经过时了，需要更酷的东西来工作）。 所以我很支持自行车，也许你的代码在某个地方有一些错误的逻辑？我在测试不同的变体时，已经在我的体内发现了一些。包括解决了这个主题的第一个帖子的问题。但这些同样的过滤器，在你的问题中切断了不必要的东西--在那个（）中切断了需要的东西。所以我认为我需要使用输入的权重来做筛选，在完整的数据上实地运行。

[Mihail Marchukajtes]

elibrarius。
MLP有95%的时间是在猜测......我认为你做错了自行车）没有冒犯的意思。
我也在做自己的自行车，但基于几十年来经过验证的MLP（他们说已经过时了，需要更酷的东西来工作）。 所以我很支持自行车，也许你的代码中某个地方有逻辑错误？我在测试不同的变体时，已经在我的体内发现了一些。

问题是我不是一个程序员。这个优化器不是我写的，我只是用它，无论如何，你指定的输入给出了55%的概括性，这比猜测要好，因此我们看到样本外的结果有正的利润。现在唯一阻止我的是，模型需要是镜像的，那么它将获得，如果模型是直的，那么它将失去......。

但如果我们在所有的输入上运行优化器，我想模型会更复杂，会选择更多的输入。而且从理论上讲，这样的模式应该能更好、更长久地发挥作用。但我不能在完整的数据集上运行优化器--我想它需要一个月的时间来读取。所以我的希望是在GPU上运行优化器，然后我们再看看。

[Forester]

Mihail Marchukajtes:

问题是，我不会编程。这个优化器不是我写的，我只是用它，无论如何，你指定的输入给出了55%的概括，这比猜测要好，因此我们看到样本外的结果有正的利润。现在唯一阻止我的是，模型应该是镜像的，那么它就会增加，如果模型是直的，那么它就会失去。

但如果我们在所有的输入上运行优化器，我想模型会更复杂，会选择更多的输入。而且从理论上讲，这样的模式应该能更好、更长久地发挥作用。但我不能在完整的数据集上运行优化器--我想它需要一个月的时间来读取。所以我的希望是在GPU上运行优化器，然后我们再看看。

如果你要启动一个月的东西，请使用不间断电源，我在大约2个计算周内就把灯切了））。
而且不要等待GPU，重写代码可能需要更长的时间，如果作者没有做，几乎没有人会完成这个任务。