В данной статье, обсудим начало экспериментов с созданием нейронной сети, которая оптимальным образом подходила бы для работы на валютном рынке. Основной недостаток классических НС заключается в их статической/статистической природе, когда модель обучается на исторических данных и, впоследствии, рыночные закономерности меняются, а нейросеть...
为什么，不，有太多的树......即使有10棵也很好（我不记得我设置了多少棵）。
500个是很多的，对任何数据集来说都足够了
为什么小数会出现这样的错误？ ......奇怪，我以为机器可以准确地学习......因此，在模式的情况下（在外汇中），它们的形式是很不明确的（像乘法表），如果你在60%的情况下得到正确的预测就很好。
错误发生的原因是r参数很低，这意味着只有一半的例子被用于训练，而这一半的例子是在一半的树上训练的：）而且例子很少。
你必须设置r~1才准确。用于假定性和对袋外样品的测试
只是这个机制需要调整，在森林的情况下，只有两个设置
你也应该明白，NS(RF)不是一个计算器，但它近似于一个函数，对于许多任务来说，太高的精度是弊大于利的。
我担心网络上的回归/预测会产生与在历史上寻找类似的网站/模式差不多的结果（我3个月前就这样做了）。
错误发生的原因是r参数很低，这意味着只有一半的例子被用于训练，而这一半的例子是在一半的树上训练的：）而且例子很少。
你必须设置r~1才准确。用于假定性和对袋外样品的测试
你只需要知道如何调整这个机制，在森林的情况下，只有2个设置
也就是说，如果你把r设置为1，那么它将在所有样本上进行训练。
反正森林不会使用所有的属性，所以有一个模型修改，你可以把它设置为使用所有的属性。但不建议这样做，因为森林会记住所有的选项
而设置的选择往往是这样一个主观的事情，你必须进行试验。
如果小于1，则在剩余的样本上验证模型（模型在未被纳入训练样本的数据上进行估计）。经典的r为0.67，则在剩余的33%上验证模型。当然，这对大样本来说是真的，对小样本来说，就像乘法表一样--最好设置为1。
反正森林不会使用所有的属性，所以有一个模型修改，你可以把它设置为使用所有的属性。但不建议这样做，因为森林会记住所有的选项
而设置的选择往往是这样一个主观的事情，你必须进行试验。
如果它小于1，那么在剩下的样本上模型被验证（模型是在没有被纳入训练样本的数据上估计的）。 根据经典的r被设定为0.67，在剩下的33%上模型被验证。
特点选择
一点点的数据挖掘。我是通过Chi^2+KBest、RFE（递归特征消除）+（SGDClassifier，RidgeClassifier）、L2（Ridge，RidgeClassifier）、L1（Lasso）进行特征选择。山脊正则化给出了更理智的结果。
一些图表。
RFE + Ridge & SGD
Ridge regressor（L2）。
山脊分类器（L2）
该文件包含一个参数值的表格，以及通过特征选择对其进行抽样。
最重要的系数原来是：。
- 10, 11 - 关闭，三角洲（开-关）。
- 18-20 - 衍生品高点、低点、收点
- 24 - 日志衍生关闭
- 29, 30 - Lowess
- 33 - Detranding Close - Lowess
- 35 - EMA 26 (13作为一个选项)
- 40 - 衍生品 EMA 13
PS。表中的Ridge分类器一行是基于一个类，它没有反映出对其他类的参数依赖性。参照 脚本。
勾勒出一个新的网络图，这是第一个描述。以后会有更多（希望如此）。
https://rationatrix.blogspot.ru/2018/01/blog-post.html
勾勒出一个新的网络图，这是第一个描述。以后会有更多（希望如此）。
https://rationatrix.blogspot.ru/2018/01/blog-post.html
我想知道为什么第一个帖子被删除了。他在博客上写下了这个计划。=)