交易中的机器学习：理论、模型、实践和算法交易 - 页 937 1...930931932933934935936937938939940941942943944...3399 新评论 Dr. Trader 2018.05.22 02:08 #9361 是的，你可以有很多课。但我很少与有2个以上类别的模型合作，这总是很困难和有问题的，特别是当一个类别的人数超过其他类别时。可以尝试，但说实话，我并不希望有好的结果。 现在情况有点复杂--一棵树是一个过滤器，知道哪里不能做多，另一棵树知道哪里可以做多，还有2棵类似的树缺少短线。也许将所有这些信息合并到一棵树上，会超过使用三个类的缺点，谜题就会迎刃而解了 :) Aleksey Vyazmikin 2018.05.22 08:25 #9362 Dr. Trader: 是的，你可以有很多课。但我很少与有2个以上类别的模型合作，这总是很困难和有问题的，特别是当一个类别的人数超过其他类别时。可以尝试，但说实话，我并不希望有好的结果。现在情况有点复杂--一棵树是一个过滤器，知道哪里不能做多，另一棵树知道哪里可以做多，还有2棵类似的树缺少短线。也许将所有这些信息合并到一棵树上会克服使用三个类的缺点，谜题就会迎刃而解 :)看看结果会很有趣！"。 我不知道，也许我应该用愚蠢的获利 来制定新的目标，那么可能会有更多的进项。目标一点也不清楚，现在许多目标（有许多条目）都在直截了当地捕捉反转，而我不愿意进入它们--我认为没有确定的反转，但有确定的趋势运动结束，人们可以期待平坦--即我们在那里得到噪音目标。凡是有少量进场的文件，应该有干净的目标，但我们也会遇到不同类型的进场--走出平盘，为继续运动而在修正后进场，以及为反转而进场（例如，在小时图上形成针形棒期间）。此外，当允许在连续相当数量的小节期间进入时，存在 "开放的进入窗口 "这样的细微差别--事故的噪音也可能出现在这里。我想也许我应该把目标分割开来，以显示同一画面。 Maxim Dmitrievsky 2018.05.22 10:32 #9363 罗费尔德。你用kfold alglib做实验了吗？它能改善结果吗？在你的一个旧帖子中看到，它似乎不能混合样品。它甚至必须这样做吗？在相同的数据上，有什么结论表明哪种过度训练更少--森林或米尔普？我有怀疑，对于回归任务，森林的工作方式是歪的，返回的误差也是歪的（非常小），对于分类规范，森林的工作方式是歪的。 2.我看到有人对OpCl感兴趣，有没有想过把NS改写成它？例如，我完全放弃了GA，因为它是一些噩梦般的废话，现在一切都在1个核心的1个线程中训练。你可以在Cl上加快速度（尽管是那么快）。或者，如果你在Spark上训练，反正是平行的，没有什么意义。 3.或多或少理解了你放在git上的东西和你如何应用它。伟大的有趣的工作，尊重!:) Alexander Ivanov 2018.05.22 10:37 #9364 晦气）。 扫描了代码，并把它放在洗衣机上，打开了洗衣机来教它。 然后我在缝纫机上缝制了三次代码，以深入训练神经网络。 其结果是，代码已经改变得面目全非，现在我在想如何在交易中使用它...... Alexander Ivanov 2018.05.22 10:49 #9365 超级机器人准备好了吗？ 我已经等了两年了。 Yuriy Asaulenko 2018.05.22 10:51 #9366 马克西姆-德米特里耶夫斯基。是否有任何结论表明，森林和MLP哪个的过度训练更少？在其中一个软件包中，有一个预测性NS（MLP）的演示示例。顺便说一句，一个相对不复杂的NS。所以重新训练它是不真实的。无论你如何重新训练它，一切都会成功。 因此，再培训首先取决于为NS设定的任务。嗯，还有关于MLP的复杂性是否足以完成任务的问题。 Yuriy Asaulenko 2018.05.22 11:38 #9367 马克西姆-德米特里耶夫斯基。我特别谈到了alglib和对不同模型的相同数据的测试。NS就是NS。这没有什么区别，alglib还是什么。如果NS重新训练，这意味着它不足以完成设定的任务，有必要改变任务或NS结构。也不要打扰）。正如一位准尉常说的那样------F......。(我不能告诉你森林的情况，和他们在一起我不能说。) 我不能对森林说什么，我不和它一起工作。 Aleksey Vyazmikin 2018.05.22 12:42 #9368 如果我们在非目标上而不是在预测器上训练树，会怎么样？在良好的训练基础上，我们是否能够识别不重要的预测因素？也就是说，如果测试模型能够很好地识别预测器，那么其他的预测器已经包含了足够的信息，预测器是多余的，可以被抛弃。但是，如果这不是关于预测器，而是关于独特组合本身的冗余度呢？ 例如，我决定选择小时数作为目标数。 训练样本的结果 测试样本的结果 你可以看到10点钟方向的预测结果很好，我们是否可以假设该时间段的条件与其他样本的条件不同？我想是的。我将尝试对其余的小时进行分组，也许这样我们可以更好地分辨出这些时间范围内价格行为的特殊性。 Forester 2018.05.22 14:03 #9369 阿列克谢-维亚兹米 金。如果我们在非目标上而不是在预测器上训练树，会怎么样？在良好的训练基础上，我们是否能够识别不重要的预测因素？也就是说，如果测试模型能够很好地识别预测器，那么其他的预测器已经包含了足够的信息，预测器是多余的，可以被抛弃。但是，如果这不是关于预测器，而是关于独特组合本身的冗余度呢？ 例如，我决定选择小时数作为目标数。 训练样本的结果 测试样本的结果 你可以看到10点钟方向的预测结果很好，我们是否可以假设该时间段的条件与其他样本的条件不同？我想是的。我将尝试对其余的时间进行分组，也许这将帮助我更好地分辨出这些时间范围内价格行为的特殊性。 也许是因为10点是第一个，在24点的大停顿之后？这就是它预测良好的原因吗？除了低波动性之外，24小时有什么特别之处吗？ Renat Akhtyamov 2018.05.22 14:06 #9370 尤里-阿索连科。一天可能是不够的）。这实际上是一种特产）。它已经被研究了多年，甚至是一生的积极生活。 NS，不是回忆，而是在DSP中广泛使用。在DSP中应用NS的问题是对NS问题的正确表述。说，NS的一个应用是过滤，包括自适应过滤。 顺便说一下，当你给它一个相当具体的任务时，NS会工作得很好，而不是带来这个，我不知道是什么。我不断地陷入其中。 我研究这篇小说已经5年了，甚至无法想象有可能把它应用到一个论坛。 简而言之，NS是一个普通的自适应非 递归滤波器。 有许多品种。 有老师，没有老师，等等。 预测器--数字滤波 系数。这很滑稽，因为它是初级的，而且你有点践踏科学...这一切都像时间一样古老。(这都是50年代的事了）。 你告诉我--你已经做了一个盲目的，或者你用输入/输出与训练？//盲目是指你不知道输出是什么，而且没有任何东西可以与之比较。他们说，在这种情况下，主要目的是为了减少噪音。 // 如果你是一个有视力的人，预测是用误差向量计算的，它被过滤掉了。但在处理过程中会有延迟，至少有一个刻度。 1...930931932933934935936937938939940941942943944...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
是的，你可以有很多课。但我很少与有2个以上类别的模型合作，这总是很困难和有问题的，特别是当一个类别的人数超过其他类别时。可以尝试，但说实话，我并不希望有好的结果。
现在情况有点复杂--一棵树是一个过滤器，知道哪里不能做多，另一棵树知道哪里可以做多，还有2棵类似的树缺少短线。也许将所有这些信息合并到一棵树上，会超过使用三个类的缺点，谜题就会迎刃而解了 :)
是的，你可以有很多课。但我很少与有2个以上类别的模型合作，这总是很困难和有问题的，特别是当一个类别的人数超过其他类别时。可以尝试，但说实话，我并不希望有好的结果。
现在情况有点复杂--一棵树是一个过滤器，知道哪里不能做多，另一棵树知道哪里可以做多，还有2棵类似的树缺少短线。也许将所有这些信息合并到一棵树上会克服使用三个类的缺点，谜题就会迎刃而解 :)
看看结果会很有趣！"。
我不知道，也许我应该用愚蠢的获利 来制定新的目标，那么可能会有更多的进项。目标一点也不清楚，现在许多目标（有许多条目）都在直截了当地捕捉反转，而我不愿意进入它们--我认为没有确定的反转，但有确定的趋势运动结束，人们可以期待平坦--即我们在那里得到噪音目标。凡是有少量进场的文件，应该有干净的目标，但我们也会遇到不同类型的进场--走出平盘，为继续运动而在修正后进场，以及为反转而进场（例如，在小时图上形成针形棒期间）。此外，当允许在连续相当数量的小节期间进入时，存在 "开放的进入窗口 "这样的细微差别--事故的噪音也可能出现在这里。我想也许我应该把目标分割开来，以显示同一画面。
你用kfold alglib做实验了吗？它能改善结果吗？在你的一个旧帖子中看到，它似乎不能混合样品。它甚至必须这样做吗？
在相同的数据上，有什么结论表明哪种过度训练更少--森林或米尔普？我有怀疑，对于回归任务，森林的工作方式是歪的，返回的误差也是歪的（非常小），对于分类规范，森林的工作方式是歪的。
2.我看到有人对OpCl感兴趣，有没有想过把NS改写成它？例如，我完全放弃了GA，因为它是一些噩梦般的废话，现在一切都在1个核心的1个线程中训练。你可以在Cl上加快速度（尽管是那么快）。或者，如果你在Spark上训练，反正是平行的，没有什么意义。
3.或多或少理解了你放在git上的东西和你如何应用它。伟大的有趣的工作，尊重!:)
晦气）。
扫描了代码，并把它放在洗衣机上，打开了洗衣机来教它。
然后我在缝纫机上缝制了三次代码，以深入训练神经网络。
其结果是，代码已经改变得面目全非，现在我在想如何在交易中使用它......
超级机器人准备好了吗？
我已经等了两年了。
是否有任何结论表明，森林和MLP哪个的过度训练更少？
在其中一个软件包中，有一个预测性NS（MLP）的演示示例。顺便说一句，一个相对不复杂的NS。所以重新训练它是不真实的。无论你如何重新训练它，一切都会成功。
因此，再培训首先取决于为NS设定的任务。嗯，还有关于MLP的复杂性是否足以完成任务的问题。
我特别谈到了alglib和对不同模型的相同数据的测试。
NS就是NS。这没有什么区别，alglib还是什么。如果NS重新训练，这意味着它不足以完成设定的任务，有必要改变任务或NS结构。也不要打扰）。正如一位准尉常说的那样------F......。(我不能告诉你森林的情况，和他们在一起我不能说。)
我不能对森林说什么，我不和它一起工作。
如果我们在非目标上而不是在预测器上训练树，会怎么样？在良好的训练基础上，我们是否能够识别不重要的预测因素？也就是说，如果测试模型能够很好地识别预测器，那么其他的预测器已经包含了足够的信息，预测器是多余的，可以被抛弃。但是，如果这不是关于预测器，而是关于独特组合本身的冗余度呢？
例如，我决定选择小时数作为目标数。
训练样本的结果
测试样本的结果
你可以看到10点钟方向的预测结果很好，我们是否可以假设该时间段的条件与其他样本的条件不同？我想是的。我将尝试对其余的小时进行分组，也许这样我们可以更好地分辨出这些时间范围内价格行为的特殊性。
如果我们在非目标上而不是在预测器上训练树，会怎么样？在良好的训练基础上，我们是否能够识别不重要的预测因素？也就是说，如果测试模型能够很好地识别预测器，那么其他的预测器已经包含了足够的信息，预测器是多余的，可以被抛弃。但是，如果这不是关于预测器，而是关于独特组合本身的冗余度呢？
例如，我决定选择小时数作为目标数。
训练样本的结果
测试样本的结果
你可以看到10点钟方向的预测结果很好，我们是否可以假设该时间段的条件与其他样本的条件不同？我想是的。我将尝试对其余的时间进行分组，也许这将帮助我更好地分辨出这些时间范围内价格行为的特殊性。
一天可能是不够的）。这实际上是一种特产）。它已经被研究了多年，甚至是一生的积极生活。
NS，不是回忆，而是在DSP中广泛使用。在DSP中应用NS的问题是对NS问题的正确表述。说，NS的一个应用是过滤，包括自适应过滤。
顺便说一下，当你给它一个相当具体的任务时，NS会工作得很好，而不是带来这个，我不知道是什么。
我不断地陷入其中。
我研究这篇小说已经5年了，甚至无法想象有可能把它应用到一个论坛。
简而言之，NS是一个普通的自适应非 递归滤波器。
有许多品种。
有老师，没有老师，等等。
预测器--数字滤波 系数。这很滑稽，因为它是初级的，而且你有点践踏科学...这一切都像时间一样古老。(这都是50年代的事了）。
你告诉我--你已经做了一个盲目的，或者你用输入/输出与训练？
//盲目是指你不知道输出是什么，而且没有任何东西可以与之比较。他们说，在这种情况下，主要目的是为了减少噪音。
// 如果你是一个有视力的人，预测是用误差向量计算的，它被过滤掉了。但在处理过程中会有延迟，至少有一个刻度。