交易中的机器学习：理论、模型、实践和算法交易 - 页 627 1...620621622623624625626627628629630631632633634...3399 新评论 Maxim Dmitrievsky 2018.01.30 06:42 #6261 阿列克谢-特伦特夫。我想知道他为什么要删除第一个帖子。他在博客上写下了这个计划。=) 是的，只是累了，在论坛上搜索他自己的帖子：D所以至少链接能够给 Mihail Marchukajtes 2018.01.30 06:51 #6262 马克西姆-德米特里耶夫斯基。 是的，只是厌倦了在论坛上搜索自己的帖子：D，所以我至少可以给你一个链接。 这就是我写这篇文章的原因，不要对不同的人重复同样的事情...... Maxim Dmitrievsky 2018.01.30 06:52 #6263 Mihail Marchukajtes:我还不想在这里做文章，但如果结果很有趣，我可以以后再做。 我很懒，慢慢做，有一个星期的休息时间 :) Mihail Marchukajtes 2018.01.30 07:00 #6264 马克西姆-德米特里耶夫斯基。我还不想在这里做文章，但如果结果很有趣，我可以以后再做。 我很懒，慢慢做，有一个星期的休息时间 :) 我写了大约一个月的编辑...从第一版开始到.....。 Mykola Demko 2018.01.30 07:00 #6265 马克西姆-德米特里耶夫斯基。勾勒出一个新的网络图，这是第一个描述。以后会有一个续集（希望如此）。 我为纪念馆创建了一个博客，因为我已经厌倦了在论坛上寻找零碎的想法。 https://rationatrix.blogspot.ru/2018/01/blog-post.html你混淆了温暖和柔软。输送净结果数据是一种有缺陷的做法。 你只会让网络混乱，它无法理解为什么同样的模式在一种情况下上升，在另一种情况下下降。 这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。 你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。 如果你想把故事从MLPs转移到递归网格上。 但你的假设是（IMHO）kotopedo。 ZS 是的，在你写的时候，你写道，再培训有问题。现代NS科学很早就解决了这个问题。 最简单、最清晰、最有效的方法是交叉验证法（谷歌）。 Aleksey Terentev 2018.01.30 07:05 #6266 尼古拉-德姆科。你混淆了温暖和柔软。提供净结果数据是一种不好的做法。 你只会混淆网格，它将无法理解为什么同样的图案在一种情况下上升，在另一种情况下下降。 这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。 你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。 如果你想把故事从MLPs转移到递归网格上。 但是，你的假设是（IMHO）的cotopoe。显然，神经网络对你来说由一个定义组成--Perseptron。IMHO，你甚至没有意识到这只是可见的冰山一角，而且是一个很小的冰山。 而过度训练还没有被任何人打败。你对国防部没有太多的了解。 Maxim Dmitrievsky 2018.01.30 07:05 #6267 尼古拉-德姆科。你混淆了温暖和柔软。提供净结果数据是一种不好的做法。 你只会混淆网格，它将无法理解为什么同样的图案在一种情况下上升，在另一种情况下下降。 这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。 你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。 如果你想把故事从MLPs转移到递归网格上。 但是，你的假设是（IMHO）的cotopoe。我想做一个备份电网的模拟。不幸的是，循环网没有环境的概念，也没有反应。有强化作用的网子确实如此。你怎么做？ 我想到的第一件事是，如果它在外面的表现不令人满意，就把它踢出去，例如通过eq。 也许是Cotopec，我自己也不知道，我认为......它只是很有趣：）而且它很容易使用，不需要很长时间。 Maxim Dmitrievsky 2018.01.30 07:07 #6268 尼古拉-德姆科。是的，当我在写的时候，你写到有一个过度训练的问题。现代NS科学很早就解决了这个问题。 最简单、最清晰、最有效的方法是交叉验证法（谷歌）。我知道这一切，交叉验证也是一种拟合，但更微妙。 复发也是自我循环的，有时无法学习 我不太明白--你说你不能把网络的输出反馈给输入，然后你又告诉我用递归法......:) 这就是它所做的一切，它吃了它的产出。 在最简单的情况下，递归就是一个普通的MLP，它自己吃掉自己。 Mykola Demko 2018.01.30 08:00 #6269 马克西姆-德米特里耶夫斯基。我知道这一切，交叉验证也是一个合适的，但更复杂的方法。 复发也是自我循环的，有时无法学习 我不明白--你说你不能把网络的输出端送入输入端，然后你告诉我用递归法......:) 这就是它所做的一切，它吃了它的产出。 复发基本上就是一个吃自己的MLP。不，我说的是，你不能把市场数据和网络产出混在一起。 换句话说，你的网络处理报价，而你给它提供关于以前的交易是否成功的数据。 而一般来说，网络工作得好坏，这是一个独立的单元（我习惯于在GA中称其为健身函数，在NS中称其为误差函数，但想法是一样的）。 假设你用backprop训练一个网络，结果发现你有一个错误成为数据的一部分，黄油手。我希望你能理解我的意思。 Mykola Demko 2018.01.30 08:02 #6270 阿列克谢-特伦特夫。对你来说，所有神经网络的判断由一个定义组成--Perseptron。IMHO，你甚至不知道这只是可见的冰山一角，甚至这也是一个小小的冰山。 而且从来没有人打败过再培训。你对国防部的领域了解甚少。我说的是马克西姆提出的具体网络。 如果你不理解三个句子......。你知道，我为什么要告诉你））。 1...620621622623624625626627628629630631632633634...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
我想知道他为什么要删除第一个帖子。他在博客上写下了这个计划。=)
是的，只是厌倦了在论坛上搜索自己的帖子：D，所以我至少可以给你一个链接。
我还不想在这里做文章，但如果结果很有趣，我可以以后再做。
我很懒，慢慢做，有一个星期的休息时间 :)
我还不想在这里做文章，但如果结果很有趣，我可以以后再做。
我很懒，慢慢做，有一个星期的休息时间 :)
勾勒出一个新的网络图，这是第一个描述。以后会有一个续集（希望如此）。
我为纪念馆创建了一个博客，因为我已经厌倦了在论坛上寻找零碎的想法。
https://rationatrix.blogspot.ru/2018/01/blog-post.html
你混淆了温暖和柔软。输送净结果数据是一种有缺陷的做法。
你只会让网络混乱，它无法理解为什么同样的模式在一种情况下上升，在另一种情况下下降。
这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。
你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。
如果你想把故事从MLPs转移到递归网格上。
但你的假设是（IMHO）kotopedo。
ZS 是的，在你写的时候，你写道，再培训有问题。现代NS科学很早就解决了这个问题。
最简单、最清晰、最有效的方法是交叉验证法（谷歌）。
你混淆了温暖和柔软。提供净结果数据是一种不好的做法。
你只会混淆网格，它将无法理解为什么同样的图案在一种情况下上升，在另一种情况下下降。
这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。
你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。
如果你想把故事从MLPs转移到递归网格上。
但是，你的假设是（IMHO）的cotopoe。
显然，神经网络对你来说由一个定义组成--Perseptron。IMHO，你甚至没有意识到这只是可见的冰山一角，而且是一个很小的冰山。
而过度训练还没有被任何人打败。你对国防部没有太多的了解。你混淆了温暖和柔软。提供净结果数据是一种不好的做法。
你只会混淆网格，它将无法理解为什么同样的图案在一种情况下上升，在另一种情况下下降。
这是因为数据已经与以前的结果值混在一起。这指的是之前交易的结果和股权。
你试图在网格本身的主体中插入一个健身函数。但知道什么是好的什么是坏的是国外的知识，它与电网机制无关。
如果你想把故事从MLPs转移到递归网格上。
但是，你的假设是（IMHO）的cotopoe。
我想做一个备份电网的模拟。不幸的是，循环网没有环境的概念，也没有反应。有强化作用的网子确实如此。你怎么做？ 我想到的第一件事是，如果它在外面的表现不令人满意，就把它踢出去，例如通过eq。
也许是Cotopec，我自己也不知道，我认为......它只是很有趣：）而且它很容易使用，不需要很长时间。
是的，当我在写的时候，你写到有一个过度训练的问题。现代NS科学很早就解决了这个问题。
最简单、最清晰、最有效的方法是交叉验证法（谷歌）。
我知道这一切，交叉验证也是一种拟合，但更微妙。
复发也是自我循环的，有时无法学习
我不太明白--你说你不能把网络的输出反馈给输入，然后你又告诉我用递归法......:) 这就是它所做的一切，它吃了它的产出。
在最简单的情况下，递归就是一个普通的MLP，它自己吃掉自己。
我知道这一切，交叉验证也是一个合适的，但更复杂的方法。
复发也是自我循环的，有时无法学习
我不明白--你说你不能把网络的输出端送入输入端，然后你告诉我用递归法......:) 这就是它所做的一切，它吃了它的产出。
复发基本上就是一个吃自己的MLP。
不，我说的是，你不能把市场数据和网络产出混在一起。
换句话说，你的网络处理报价，而你给它提供关于以前的交易是否成功的数据。
而一般来说，网络工作得好坏，这是一个独立的单元（我习惯于在GA中称其为健身函数，在NS中称其为误差函数，但想法是一样的）。
假设你用backprop训练一个网络，结果发现你有一个错误成为数据的一部分，黄油手。我希望你能理解我的意思。
对你来说，所有神经网络的判断由一个定义组成--Perseptron。IMHO，你甚至不知道这只是可见的冰山一角，甚至这也是一个小小的冰山。
而且从来没有人打败过再培训。你对国防部的领域了解甚少。我说的是马克西姆提出的具体网络。
如果你不理解三个句子......。你知道，我为什么要告诉你））。