Hundreds of thousands of traders all over the world use the trading platforms developed by MetaQuotes Software Corp. The key factor leading to success is the technological superiority based on the experience of many years and the best software solutions. Many people have already estimated new opportunities that have become available with the...
嗯，当然是选择离散的点。而且你可以在一个不规则的网格上做这件事。这就是使间歇期方便转化系列的原因。
如果你已经有了一个连续函数，为什么还要选择离散的点？逼近一个数学分析 定义的（连续）函数的问题是没有意义的。
既然已经有了一个连续的函数，为什么还要选择离散的点？近似数学（连续函数）的任务是没有意义的。
那里的链接说明了原因。而且到底为什么也写给我
那里的链接说明了原因。那到底为什么它也对我说？
有了你，一切都清楚了...再见））。
内插法需要一个数据序列，而不是一个数学函数。
严格来说，数据序列是一个数学函数。在学校课程中，好的教科书会直接告诉你这些。
古典数学函数：在有理点取值为1，在无理点取值为0。
我对偏离主题表示歉意。
亲爱的马克西姆。
如果我没有弄错的话，那么通过使用样条，你正试图将Mt5屏幕上的价格数据以离散包的形式送入一个神经网络，其中每段或每包价格数据将代表一个单独的函数，然后，神经网络将根据过去训练数据的最小均方误差（MSE）为特定价格段自动选择最佳函数。我的理解是否正确？
我的意思是，你正在尝试一种类似于博弈论的方法，向游戏提供像素，而在你的案例中，你正试图以花键的形式提供价格。这样说对吗？
谢谢...
嗨，是的，你的理解绝对正确。但我不确定花键，因为还有其他方法：比如说 "反距离加权"。但都是关于插队的。
严格来说，数据序列是一个数学函数。在学校课程中，好的教科书会马上告诉你这一点。
经典的数学函数：在有理点取值为1，在无理点取值为0。
我对偏离主题表示歉意。
好的。那么，"分析性定义 "的正确说法是什么？或者我应该说 "由分析性表达式给出"？
你好，是的，你的理解绝对正确。但我不确定花键的情况，因为还有其他方法：比如说 "反距离加权"。但都是关于插队的。
好吧，但你确定这是一个必要的饲料价格，使用花键为神经网络？
我的意思是，为什么我们不能把蜡烛的开盘价、收盘价、最高价、最低价直接输入神经网络？
为什么你认为我们需要一个函数 来定义一个价格段的价格结构，然后，再进行价格插值？
我不确定这在MT5中是否可行，但我指的是 "ALPHA GO ZERO "游戏中使用的一种方法。因此，在MT5中，我们可以将过去50根蜡烛的开盘价、收盘价、最高价、最低价（举例）反馈给神经网络。你是否已经尝试过这种方法，或者对Mt5来说是不可行的？
你能不能再解释一下，为什么要用函数或花线来给神经网络工作提供信息？
好的，但你确定它需要用花键将价格输入到神经网络吗？
我的意思是，为什么我们不能把蜡烛的开盘价、收盘价、最高价、最低价直接反馈给神经网络？
为什么你认为我们需要一个函数 来定义一个价格段的价格结构，然后，再进行价格插值？
我不确定这在MT5中是否可行，但我指的是 "ALPHA GO ZERO "的电脑屏幕喂食方法。因此，我们可以将过去50根蜡烛的开盘价、收盘价、最高价、最低价（举例）反馈给一个神经网络。你是否已经尝试过这种方法，或者对Mt5来说是不可行的？
你能不能再解释一下，为什么要用函数或花线来给神经网络工作提供信息？
我们只需要通过转换输入信息，使输入和输出之间的交叉熵（或相互信息）最小化。这意味着分类器在测试子集和更远的地方会更好地工作（更好地分离点）。这种技术在机器学习中被广泛使用。
但我们不知道哪种转换会更好，所以我们只是迭代转换并检查模型错误。我们只需要通过转换输入信息，使输入和输出之间的交叉熵（或相互信息）最小化。这意味着分类器在子集和未来的测试中会有更好的效果。这种技术被用于机器学习。
好吧，我理解你的目标，你想通过对不同的价格段使用不同的指标集来实现，这是由神经网络根据过去训练数据的最小误差决定的。
显然，在机器学习中，使用交叉熵和最小化是非常重要的，这样才能使算法随着时间的推移而收敛，而不是与目标相背离。
已经有一篇文章使用了自动选择策略的方法，我不知道你是否知道它。但它并没有使用机器学习。如果对你有帮助，你可以看一下。
https://www.mql5.com/ru/articles/143
好吧，我理解你的目标，你想通过对不同的价格段使用不同的指标集来实现，这是由神经网络根据过去训练数据的最小误差决定的。
显然，在机器学习中，使用交叉熵和最小化是非常重要的，这样才能使算法随着时间的推移而收敛，而不是与目标相背离。
已经有一篇文章使用了自动选择策略的方法，我不知道你是否知道它。但它并没有使用机器学习。如果对你有帮助，你可以看一下。
https://www.mql5.com/ru/articles/143
目前，我们不关心指标或其他任何东西，最终可以使用freamwork的任何策略，并获得无法分析计算的最佳结果。