交易中的机器学习：理论、模型、实践和算法交易 - 页 932

新评论
 
elibrarius。
把它复制到你的博客，也许有人会需要它。在这里寻找东西是不现实的。

博客上也有这个代码。但这是相当基本的 "如何制作kfold "的东西，有很多东西需要针对你的具体任务进行重新加工。另外，如果你在遗传学中启用了多线程，elmnn会忽略已安装的gpsfold颗粒，每个线程都会得到不同的东西，而且是不可复制的，对于这种情况（遗传学中的多线程），请参见Vladimir Perervenko的文章和他控制gpsfold的方法。

 
马克西姆-德米特里耶夫斯基。

仍然有一个额外的维度，你必须以某种方式画出一条穿过它的曲线，也许会有一个很大的误差

辍学会增加误差，不是吗？

辍学相当于停用了一个神经元。如果它有噪音，那就好了。
而他们为什么要发明一些增加误差的东西--只要有助于减少误差，一切都有意义。
 
elibrarius。
辍学相当于关闭了一个神经元。如果它很吵，那就很好。
而你为什么会想到增加误差的东西--如果它有助于减少误差，一切都有意义。

咳咳......增加误差应该是为了消除过度训练。并非总是如此，但还能怎样？

这就是为什么他们说0.5是一个很好的外汇芝罘区。对我来说，在0.3-0.4时，它或多或少地开始工作，如果较少，则通常会过度。

我的意思是，我明白这个笑话，对吗？ 他们认为自己很酷，事实上，他们只是把模型训练得很差，它或多或少没有泄露任何东西，因为它是半心半意的交易。

 
交易员博士。

Python也应该是这样。

我明白了，Python离我很远，在所有...难道没有人做一个GUI包装器来与NS一起工作吗？

交易员博士。

我今晚会运行这个算法，明天给你看出来的东西。

谢谢你，这将是有教育意义的。

交易员博士。

在外汇中，实现100%的准确率并希望模型能很好地工作通常是不可能的，你需要几个月的时间来选择预测器，甚至是一个能很好地配合的目标。通常在达到高于50%的准确率后，该模型就开始记忆训练实例，而不是在其中寻找逻辑模式。所以新数据的结果会越来越差。在你的数据上，我得到了这个60%的最佳值--当训练和测试数据上的结果大致相同时，但随着更详细的树的分区和更高的精度，森林在新数据上显示出越来越差的结果。

有什么好着急的，如果不浪费，还有时间。

然而，我不太理解记忆和学习之间的区别，在我看来，所有这些MO应该在数据集中找到特征，并将预期的结果与记忆的结果进行核对，但要考虑到数据的变形，并相应地根据变形情况给出预测。这就是我的想法，直到我开始捣鼓这一切。

我只是很惊讶，这棵树是用不同的预测器集来解决的，这意味着在建立它的时候，并不是所有的数据和知识都被审查了，正是这种情况使我能够对进一步分支的可允许性做出假设。

 
马克西姆-德米特里耶夫斯基。

咳咳......通过增加误差，过度训练似乎可以被消除。并非总是如此，但还能怎样呢？

这也是。更确切地说，这是主要任务。我有删除神经元与删除输入的联想。也许这是不对的。

是的，而在第一层的dropconnect 就像删除输入一样。

 
埃利布留斯。

这也是。更确切地说--这是主要任务。我对删除神经元和删除输入有一种联想。这可能是不正确的。

移除神经元就是移除自由度 = 误差增加，粗放化

如果你从回归中删除几个项，就等于删除了输入，而在一个完全连贯的NS中，为什么

Dropconnect，从名字上看，是的，似乎是这样的

 
马克西姆-德米特里耶夫斯基。

移除神经元就是移除自由度 = 误差增加，粗放化

如果从回归中去掉一些成员，就相当于去掉了输入，在一个完全连接的NS中，为什么？

Dropconnect，从名字上看，--是的，似乎是这样。

但是，对于Dropconnect来说，这个任务也很复杂。例如，50个输入，50个神经元。
通过删除1个输入，我们也删除了50个神经元的50个连接。
而要删除所有50个连接，是删除1个输入的50倍难度。并以这种方式通过所有50个输入...那是50^50的变化。很明显，这是一项无望的任务。处理输入比较容易--我们只有2^50 )))。
 
elibrarius。

这个问题不只是针对你，也是针对所有人。

在实践中是这样的，也就是说，如果有噪声预测器，那么NS不能脱离50-55%。如果拿起，甚至可以发出70%。

但为什么会这样呢？
1）那么，NS在训练过程中应该自动为噪声预测器选择接近0的权重（相当于把它们排除在选择之外）。我们在支部开始时的任务中看到了这一点。
2）如果不通过训练来低估重量，那么至少辍学应该把他们筛选出来......

已经写过很多次了：噪声预测器对模型更友好--噪声中总有一些值可以改善学习结果。所以过程是相反的--噪音预测者得到更多的权重，而不是像你建议的那样。这在小样本中尤其明显，小样本的观测值少于1000个。超过5000个观测值的样本不会受到如此影响，但你仍然需要预先筛选噪声预测器

 
elibrarius。
但在Dropconnect方面，任务也很困难。例如，50个输入，50个神经元。
通过删除1个输入，我们也删除了50个神经元的50个连接。
而为了删除1个输入而删除所有50个连接，难度是50倍。并以这种方式删除所有50个输入...显然，这是一项无望的任务。处理投入的问题比较容易。
反正投入更重要，玩模型只是萨满教，一般情况下不应该有大的收获。我做了一个脚手架的组合，在放弃单个脚手架后，我可以在误差上提高0.05，有时提高0.1（traine和test之间的差异）。这并不能解决主要问题。在高级神经网络中，我不知道如何。
 
桑桑尼茨-弗门科。

已经写过很多次了：噪声预测器对模型更友好--噪声中总有一些值可以改善学习结果。所以过程是相反的--噪音预测者得到更多的权重，而不是像你建议的那样。这在小样本中尤其明显，小样本的观测值少于1000个。超过5000个观测值的样本不会受到如此影响，但你仍然需要预先筛选噪声预测器

也许有一种技术，可以根据分析师观点的重要性，优先考虑在NS/Tree/Forest中使用的预测器？

1...925926927928929930931932933934935936937938939...3399
新评论