交易中的机器学习：理论、模型、实践和算法交易 - 页 963

新评论
 
伊万-内格雷什尼。

而你自己，除了纯粹的机会之外，还有什么可以证明允许向下的偏差呢？

我没有理由期待OOS应该比Train更好。
你怎么能从随机的OOS数据中要求比你所学的更好的结果呢？这不可能，除非是偶然。
最近在另一个主题中写道，学生不可能比老师知道得更多。
例子。
EP上的部分数据（例如80%）对模型来说是熟悉的，它将显示与Train上相同的误差（让误差=30%），EP上的另外20%的数据是新的和没有学习过的，将给出50%的误差。结合起来，这80%的熟悉数据和20%的新数据应该把网站的OOS误差提高到35%左右。
因此，我预计OOS结果的恶化比改善更有可能。
如果有非常多的好例子进入OOS，比在Train plot中的比例更大，也有可能会有改善。我想不出有什么其他方法可以减少反馈的误差。

伊万-内格雷什尼。

那么你的主要任务是什么，如果不是与这种随机性作斗争，因为它平添了验证和OOS以及一般的IO的意义？）

任务是使误差delta不要太大。

 
有一个问题要问阿莱莎。
你如何从你的600个预测器中筛选出噪音的？
 
elibrarius。

我没有理由期望OOS比Train更好。
你怎么能指望随机的OOS数据能比所教的数据产生更好的结果？这不可能，除非是偶然。
最近在另一个主题中写道，学生不可能比老师知道得更多。
例子。
OOS上的部分数据（例如80%）对模型来说是熟悉的， 它将显示与Train上相同的误差（让误差=30%），另外20%的OOS数据是新的和未学习过的，将给出50%的误差。结合起来，这80%的熟悉数据和20%的新数据应该把网站的OOS误差提高到35%左右。
因此，我预计OOS结果的恶化比改善更有可能。
如果有非常多的好例子进入了OOS，而且比例大于Train plot，那么也有可能会有改善。我想不出其他方法来减少反馈中的误差。

任务是使误差delta不要太大。

为了不被混淆，有必要对术语进行定义--OOS或OOS（样本外）是数据，根据定义不为模型所熟悉，另一件事是IS（样本内）。

 
伊万-内格雷什尼。

你需要定义术语--OOS或OOS（样本外）是数据，顾名思义不是熟悉的模型，IS（样本内）是另一回事。

如果发现了数据中的规律性，那么与之对应的例子就可以被认为是熟悉的。
 
elibrarius。

如果有很多好的例子进入OOS，比在火车部分的比例更大，也有机会得到改善。我没有看到任何其他的选择来减少反馈回路中的误差。

我在国防部的一本书中读到，训练时，成功与不成功的比例应该与现实相符。我们应该对成功的结果和不成功的结果进行同等的训练。

 
尤里-阿索连科。

我在国防部的一本书中读到，在训练时，成功-失败的比例应该与现实一致。我们应该对成功和不成功的结果进行平等的教育。

那么，为什么要尝试过滤掉失败的和嘈杂的例子；或者隔离它们，把它们重新划分为 "不知道"，然后再次训练网络？
 
elibrarius。
那么，为什么要尝试过滤掉坏的和有噪音的例子；或者隔离它们，把它们重新划分为 "不知道"，然后再次训练网络？

我没有意识到这一点。这是为那些人做的。我的教学工作正如我上面写的那样。

 
交易员博士。

是的，你的演示已经消失了，这很可惜。而这一切都是因为你太看重OOS了，尽管你引用了一篇文章，里面说不能选择OOS模式，而且在这里的论坛上也多次写过同样的话。

我已经写过，在TOF上，TOF和稳定性之间有直接的关系。

到目前为止，在OOB上没有得到和托盘上一样的错误，总是至少大2倍。我以后会再试的，我现在已经厌倦了这些废话 :)

也许我得换成P，得到一个更好的模型，因为alglib本身不会让我看到别的东西
 
马克西姆-德米特里耶夫斯基。

因为alglib本身不会让你看到其他东西

我很久以前就告诉过你，这是一条死胡同。你不应该在MT中建模--R、MathLab，如A_K2，在VisSim中，等等。

当模型工作时，就可以把它转移到MT，而你不能转移）。

 
尤里-阿索连科。

你已经被告知很长时间了--这是一个死胡同。你不应该在MT中建模--R、MathLab，如A_K2，在VisCim等。

当这个模型工作时，你就可以把它转移到MT，或者不转移）。

你还能说些什么感兴趣的事呢？

1...956957958959960961962963964965966967968969970...3399
新评论