交易中的机器学习：理论、模型、实践和算法交易 - 页 870

[Yuriy Asaulenko]

elibrarius。
我是说有多少行训练数据（或训练例子）。
例如：10000行，15个输入

根据记忆--第1项。大约5-10万。 每隔几个epochs，数据就会混合。

在一定数量的 epochs之后，训练序列被另一个序列取代，见第1点。以此类推几个纪元。

总的历时数大约是1000。带有中间重新配置和测试的学习时间约为一天。

上面的图表是我第一次实验的结果，那里的一切都比较简单。

[Forester]

尤里-阿索连科。

根据记忆--第1项，大约5-10万。 每隔几个历时，数据就会混合。

在一定数量的 epochs之后，训练序列被另一个序列取代，见第1点。以此类推几个纪元。

总的历时数大约是1000。带有中间重新配置和测试的学习时间约为一天。

上图是我第一次实验的结果，那里的一切都比较简单。

有趣的方法--你得到初级培训+一些后续培训。

[Yuriy Asaulenko]

elibrarius。
有趣的方法--你得到初级培训+一些再培训。

我不会这样称呼它。只是在训练中替换了学习顺序。所以它不会被用于相同的数据）。

是的，加上退火也是如此。因为我使用的是标准的BP算法，所以每隔几个epochs就手动改变NS的训练参数。

SZY阅读这个主题，这里有关于像我这样的系统结构的更多细节 -https://www.mql5.com/ru/forum/239508

[Forester]

尤里-阿索连科。

我不会这样称呼它。只是在训练中替换了学习顺序。不习惯于相同的数据）。

我认为这只是对新数据的再培训。在对第一个数据块进行训练后，你不会重置网络权重。

[Yuriy Asaulenko]

elibrarius。

我认为这是对新数据的重新学习。这并不像你在第一个数据块上学习后重新设置网络的权重。

我当然不知道。但没有新的数据--同一故事的新序列。它是同一个学习的延续，是一个单一的过程。因此，每一个时代都可以被当作一次重新学习的机会。嗯，这更像是一个术语问题。

[Maxim Dmitrievsky]

elibrarius。
没有隐藏层的回归，似乎...
是时候换成R了，我用alglib NS试了一下--计算同样的网络，比用R要慢十倍（比如24小时对30-60分钟）。另外，在alglib中最多只有2个隐藏层，而根据你的观察，你需要3个连续的转换，也就是3层。

回归是线性的。R不是hoW，是python的挖掘 - 但我看不出有什么意义。

[Forester]

尤里-阿索连科。

我当然不知道。但没有新的数据--同一故事的新序列。它是同一个学习的延续，是一个单一的过程。因此，每一个时代都可以被当作一次重新学习的机会。嗯，这倒是一个术语的问题。

那么，正确理解对方（对术语有相同的概念）是很重要的。
在同一数据上的每一个 epoch 都在学习。正如我们的背诵学习。
对于新的，在没有重新设置刻度的情况下，是重新学习。而你有这些东西是新的，因为国家安全局在最初的培训中没有意识到它们。

[Dr. Trader]

回归是对下一个价格的预测。与分类不同，预测的不是交易的方向或类型，而是价格，包括所有小数位。

有的是线性回归，有的是非线性回归。Arima, Garch, 甚至一个有正确配置的神经元（例如，1个没有激活的输出）也都是回归的。

[Maxim Dmitrievsky]

交易员博士。

回归是对下一个价格的预测。与分类不同，预测的不是交易的方向或类型，而是价格，包括所有小数位。

有的是线性回归，有的是非线性回归。Arima、Garch甚至神经元c都有正确的配置（例如，1个输出没有激活）--它也都是回归的。

这首先是为了什么呢？我说的是logit回归，在绝大多数情况下，你可以把自己限制在分类上，而不去搞什么NS。快速、干净，没有重写。

[Mihail Marchukajtes]

我和桑桑尼奇聊了一下。我们安顿好了，我正在为回归训练准备一份文件，然后我们将继续进行所发生的事情。所以，兄弟们，我现在做的是卸货，发明了这样一个想法，很多人根本没有足够的牵引力，你可以这样做。倒退的适应性目标如何？????AAA？

我不知道它是否好，但值得一查。:-)