交易中的机器学习：理论、模型、实践和算法交易 - 页 4 1234567891011...3399 新评论 СанСаныч Фоменко 2016.05.28 20:01 #31 阿列克谢-伯纳科夫。NS做得很好。随机森林不能处理这样的任务，其中一组变量的互动。而每个预测因子的个别显著性都有意为零。我没有看到证据表明NS在什么方面做得很好。过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。因此需要对三组进行误差。学习套路。拨浪鼓理解的方式（OOB，测试，验证）就可以了。从日期上看，是在训练集之外的集合。另一个集子，在日期的意义上，是在训练集之外。最后两组在到达终点站时是不混合的，基地在酒吧后面。这三组的误差应该是差不多的。同时，你必须固定你在训练模型时采取的预测因子集。 СанСаныч Фоменко 2016.05.28 20:08 #32 阿列克谢-伯纳科夫。随机森林无法处理这样的问题，即一组变量的互动。而每个预测因子的个别显著性都有意为零。你的想法是考虑到预测因素之间的相互作用，这是统计学的一场革命。直到现在，我还认为预测因素之间的互动是邪恶的。不仅预测因子本身通常是非平稳的，而且我们还试图说明这些非平稳随机过程之间的关系。在机器学习中，人们认为必须摆脱相互影响的变量。此外，还有非常有效的算法，如主成分法，它可以摆脱相互作用，并将相互作用的预测因子集转换为独立的预测因子集。 Alexey Burnakov 2016.05.28 20:18 #33 桑桑尼茨-弗门科。我没有看到任何证据表明NS已经应对了任何事情。过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。因此需要对三组进行误差。学习套路。拨浪鼓理解的方式（OOB、测试、验证）就可以了。从日期上看，是在训练集之外的集合。另一个集子，在日期的意义上，是在训练集之外。最后两组在到达终点站时是不混合的，在酒吧后面的基地。这三组的误差应该是差不多的。也就是说，你必须在训练模型时固定采取的预测因子集。我们这样说吧。尽管这不是任务的一部分。我将布置一个验证样本，在其上运行训练好的模型，并测量输出的预测准确性。但同样，这也是没有必要的。请注意，我在推断模式的基础上再次写了验证。 附加的文件： dummy_set_validation.zip 20 kb Alexey Burnakov 2016.05.28 20:23 #34 嵌入在数据中的一个模式。 Количество по полю input_19 output input_1 input_3 input_5 input_7 input_9 input_11 0 1 сумма предикторов четность 1 1 1 1 1 1 143 6 ИСТИНА 1 1 1 1 1 2 100 7 ЛОЖЬ 1 1 1 1 2 1 121 7 ЛОЖЬ 1 1 1 1 2 2 119 8 ИСТИНА 1 1 1 2 1 1 114 7 ЛОЖЬ 1 1 1 2 1 2 124 8 ИСТИНА 1 1 1 2 2 1 105 8 ИСТИНА 1 1 1 2 2 2 102 9 ЛОЖЬ 1 1 2 1 1 1 101 7 ЛОЖЬ 1 1 2 1 1 2 131 8 ИСТИНА 1 1 2 1 2 1 122 8 ИСТИНА 1 1 2 1 2 2 114 9 ЛОЖЬ 1 1 2 2 1 1 111 8 ИСТИНА 1 1 2 2 1 2 98 9 ЛОЖЬ 1 1 2 2 2 1 123 9 ЛОЖЬ 1 1 2 2 2 2 112 10 ИСТИНА 1 2 1 1 1 1 128 7 ЛОЖЬ 1 2 1 1 1 2 114 8 ИСТИНА 1 2 1 1 2 1 111 8 ИСТИНА 1 2 1 1 2 2 126 9 ЛОЖЬ 1 2 1 2 1 1 143 8 ИСТИНА 1 2 1 2 1 2 95 9 ЛОЖЬ 1 2 1 2 2 1 108 9 ЛОЖЬ 1 2 1 2 2 2 117 10 ИСТИНА 1 2 2 1 1 1 112 8 ИСТИНА 1 2 2 1 1 2 132 9 ЛОЖЬ 1 2 2 1 2 1 92 9 ЛОЖЬ 1 2 2 1 2 2 134 10 ИСТИНА 1 2 2 2 1 1 110 9 ЛОЖЬ 1 2 2 2 1 2 114 10 ИСТИНА 1 2 2 2 2 1 120 10 ИСТИНА 1 2 2 2 2 2 108 11 ЛОЖЬ 2 1 1 1 1 1 109 7 ЛОЖЬ 2 1 1 1 1 2 133 8 ИСТИНА 2 1 1 1 2 1 99 8 ИСТИНА 2 1 1 1 2 2 115 9 ЛОЖЬ 2 1 1 2 1 1 123 8 ИСТИНА 2 1 1 2 1 2 116 9 ЛОЖЬ 2 1 1 2 2 1 131 9 ЛОЖЬ 2 1 1 2 2 2 119 10 ИСТИНА 2 1 2 1 1 1 96 8 ИСТИНА 2 1 2 1 1 2 120 9 ЛОЖЬ 2 1 2 1 2 1 111 9 ЛОЖЬ 2 1 2 1 2 2 99 10 ИСТИНА 2 1 2 2 1 1 132 9 ЛОЖЬ 2 1 2 2 1 2 110 10 ИСТИНА 2 1 2 2 2 1 93 10 ИСТИНА 2 1 2 2 2 2 106 11 ЛОЖЬ 2 2 1 1 1 1 100 8 ИСТИНА 2 2 1 1 1 2 127 9 ЛОЖЬ 2 2 1 1 2 1 127 9 ЛОЖЬ 2 2 1 1 2 2 101 10 ИСТИНА 2 2 1 2 1 1 119 9 ЛОЖЬ 2 2 1 2 1 2 120 10 ИСТИНА 2 2 1 2 2 1 99 10 ИСТИНА 2 2 1 2 2 2 106 11 ЛОЖЬ 2 2 2 1 1 1 133 9 ЛОЖЬ 2 2 2 1 1 2 97 10 ИСТИНА 2 2 2 1 2 1 100 10 ИСТИНА 2 2 2 1 2 2 116 11 ЛОЖЬ 2 2 2 2 1 1 119 10 ИСТИНА 2 2 2 2 1 2 118 11 ЛОЖЬ 2 2 2 2 2 1 102 11 ЛОЖЬ 2 2 2 2 2 2 128 12 ИСТИНА Machine learning in trading: Questions from Beginners MQL5 初学者的问题 MQL5 MT5 MetaTrader Dr. Trader 2016.05.28 21:11 #35 桑桑尼茨-弗门科。我没有看到任何证据表明NS已经应对了一些事情。Neuronka解决了这个问题，用Rattle的代码连接日志。在调用神经元时，代码中有几处改动--我增加了最大的迭代次数，并删除了直接从输入到输出的连接，绕过了中间层（skip=TRUE）。因为这两个限制破坏了一切。我对新文件进行了验证，两种情况下的错误几乎都是0%（从第二个文件进行验证时只有一个错误）。但由于NS就像一个黑匣子，所以无法知道解决方案的逻辑。你可以看一下权重，确定对每个输入的平均绝对值，并画一个图。而且人们会知道，1、3、5、7、9、11比其他的更重要。然而，其余的输入也由于某种原因被使用；零权重无处可寻。换句话说，事实证明，学习一开始就发生了，然后我们可以确定重要的输入。 附加的文件： r_nnet_train_validation.zip 3 kb Alexey Burnakov 2016.05.28 21:15 #36 Dr.Trader:Neuronka解决了这个问题，用Rattle的代码连接日志。在调用神经元时，代码中有几处改动--我增加了最大的迭代次数，并删除了直接从输入到输出的连接，绕过了中间层（skip=TRUE）。因为这两个限制破坏了一切。我对新文件进行了验证，两种情况下的错误几乎都是0%（从第二个文件进行验证时只有一个错误）。但由于NS就像一个黑匣子，所以无法知道解决方案的逻辑。你可以看一下权重，确定对每个输入的平均绝对值，并画一个图。而且人们会知道，1、3、5、7、9、11比其他的更重要。然而，其余的输入也因为某种原因被使用；零权重无处可寻。换句话说，它是反过来的--首先我们学习，然后我们确定重要的投入。 这是真的。其余的输入是噪音。这就是许多方法的缺点--噪音变量没有被完全消除。也许有必要延长教学时间，分步进行。但总的说来，很好。NS解决了一个困难的问题。 Dmitry Fedoseev 2016.05.29 01:59 #37 SanSanych Fomenko: 我没有看到任何证据表明NS已经应对了任何事情。过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。因此需要对三组进行误差。学习套路。拨浪鼓理解的方式（OOB、测试、验证）就可以了。从日期上看，是在训练集之外的集合。另一个集子，在日期的意义上，是在训练集之外。最后两组在到达终点站时是不混合的，在酒吧后面的基地。这三组的误差应该是差不多的。这样做，你将不得不固定你在训练模型时采取的预测因子集。显而易见的事情需要证明吗？在训练过程中，携带矛盾数据的输入的权重下降，也就是说，我们可以说传入的矛盾数据被阻止了。在这种情况下不存在重新训练的问题，因为训练好的网络 不用于任何其他目的。问题是这样的方法是否值得。是不是有点重炮了。 Alexey Burnakov 2016.05.29 02:32 #38 德米特里-费多塞耶夫。这种方法是否合适是个问题。炮兵不是有点重吗？ 你可以尝试另一种方法。但我认为补救措施符合问题的要求。 Dmitry Fedoseev 2016.05.29 02:40 #39 阿列克谢-伯纳科夫。 你可以尝试另一种方式。但我认为补救措施符合问题的要求。 它完成了工作，而且做得很好。但我总是想知道是否有更有效、更简单的东西。 Alexey Burnakov 2016.05.29 02:57 #40 德米特里-费多塞耶夫。 它完成了工作，而且做得很好。但我总是想知道是否有更有效、更简单的东西。 除非你尝试，否则你不会明白。通常的内含物和例外情况都不会起作用。还有什么呢？ 1234567891011...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
NS做得很好。
随机森林不能处理这样的任务，其中一组变量的互动。而每个预测因子的个别显著性都有意为零。
我没有看到证据表明NS在什么方面做得很好。
过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。
因此需要对三组进行误差。
最后两组在到达终点站时是不混合的，基地在酒吧后面。
这三组的误差应该是差不多的。同时，你必须固定你在训练模型时采取的预测因子集。
随机森林无法处理这样的问题，即一组变量的互动。而每个预测因子的个别显著性都有意为零。
你的想法是考虑到预测因素之间的相互作用，这是统计学的一场革命。直到现在，我还认为预测因素之间的互动是邪恶的。不仅预测因子本身通常是非平稳的，而且我们还试图说明这些非平稳随机过程之间的关系。
在机器学习中，人们认为必须摆脱相互影响的变量。此外，还有非常有效的算法，如主成分法，它可以摆脱相互作用，并将相互作用的预测因子集转换为独立的预测因子集。
我没有看到任何证据表明NS已经应对了任何事情。
过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。
因此需要对三组进行误差。
最后两组在到达终点站时是不混合的，在酒吧后面的基地。
这三组的误差应该是差不多的。也就是说，你必须在训练模型时固定采取的预测因子集。
我们这样说吧。尽管这不是任务的一部分。我将布置一个验证样本，在其上运行训练好的模型，并测量输出的预测准确性。
但同样，这也是没有必要的。请注意，我在推断模式的基础上再次写了验证。
嵌入在数据中的一个模式。
我没有看到任何证据表明NS已经应对了一些事情。
Neuronka解决了这个问题，用Rattle的代码连接日志。在调用神经元时，代码中有几处改动--我增加了最大的迭代次数，并删除了直接从输入到输出的连接，绕过了中间层（skip=TRUE）。因为这两个限制破坏了一切。
我对新文件进行了验证，两种情况下的错误几乎都是0%（从第二个文件进行验证时只有一个错误）。
但由于NS就像一个黑匣子，所以无法知道解决方案的逻辑。你可以看一下权重，确定对每个输入的平均绝对值，并画一个图。而且人们会知道，1、3、5、7、9、11比其他的更重要。然而，其余的输入也由于某种原因被使用；零权重无处可寻。换句话说，事实证明，学习一开始就发生了，然后我们可以确定重要的输入。
Neuronka解决了这个问题，用Rattle的代码连接日志。在调用神经元时，代码中有几处改动--我增加了最大的迭代次数，并删除了直接从输入到输出的连接，绕过了中间层（skip=TRUE）。因为这两个限制破坏了一切。
我对新文件进行了验证，两种情况下的错误几乎都是0%（从第二个文件进行验证时只有一个错误）。
但由于NS就像一个黑匣子，所以无法知道解决方案的逻辑。你可以看一下权重，确定对每个输入的平均绝对值，并画一个图。而且人们会知道，1、3、5、7、9、11比其他的更重要。然而，其余的输入也因为某种原因被使用；零权重无处可寻。换句话说，它是反过来的--首先我们学习，然后我们确定重要的投入。
我没有看到任何证据表明NS已经应对了任何事情。
过度学习是科学领域，特别是模型建立领域的一个世界性的恶习。
因此需要对三组进行误差。
最后两组在到达终点站时是不混合的，在酒吧后面的基地。
这三组的误差应该是差不多的。这样做，你将不得不固定你在训练模型时采取的预测因子集。
显而易见的事情需要证明吗？在训练过程中，携带矛盾数据的输入的权重下降，也就是说，我们可以说传入的矛盾数据被阻止了。
在这种情况下不存在重新训练的问题，因为训练好的网络 不用于任何其他目的。
问题是这样的方法是否值得。是不是有点重炮了。
这种方法是否合适是个问题。炮兵不是有点重吗？
你可以尝试另一种方式。但我认为补救措施符合问题的要求。
它完成了工作，而且做得很好。但我总是想知道是否有更有效、更简单的东西。