다음은 스위치 테이블입니다. 그리드의 신호가 존재할 때 신호가 나타나고 서로 모순되지 않음을 보여줍니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3-way ternary는 불일치를 해석하는 방법을 모르기 때문에 3-way ternary보다 구현하기가 더 쉽습니다. 모든 출력은 상호 배타적이어야 하며 실제로 항상 그런 것은 아닙니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3방향 3원은 불일치를 해석하는 방법에 대한 단서가 없기 때문에 3원 3원보다 구현하기가 더 쉽습니다. 모든 결과가 상호 배타적이어야 하고 실제로 항상 그런 것은 아니기 때문입니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
사실, 두 개의 바이너리를 삼항에 추가하는 것은 하나의 삼항과 같지 않습니다.
세 번째 클래스를 추가하면 두 클래스의 모순이 됩니다. 그리고 만약 원래 삼항? 시장에서 사다 판매? 예를 들어 지그재그로 보면 어떻게 생겼습니까? Vnerynka - 지그재그로 된 평면입니까? 저것들. 당신과 완전히 다른 목표 변수.
Dr.Trader : 이러한 설명으로 그럴듯하게 들립니다. 그리고 얼마나 희귀한 패턴을 거래합니까? 예를 들어 " 구매 위치 열기 " 및 "모든 거래 닫기" 클래스가 포함된 교육 예제가 있는 경우 이러한 클래스의 비율은 얼마가 될까요? 바이 클래스는 수백 포인트 급등한 가격 급등에 해당한다고 가정할 수 있습니다. 즉, 바이 클래스의 양은 모든 교육 예제의 약 10%입니다.
나는 "닫기" 신호를 사용하지 않습니다. 뉴런은 시장에 진입하는 방법만 알고 거래 시스템은 출구를 결정합니다. 이것은 바로 이 TS를 일반적으로 임의의 신호에만 적용하는 것보다 낫습니다.
네 번째 포럼에서 나는 일찍이 내 깊은 확신에 따라 거래 신호의 시간 제한 동작이 있는 TS만이 뉴런 및 유사한 기계 학습 시스템에 적합하다고 썼습니다. 그렇지 않으면 뉴런에게 극복할 수 없는 모순이 발생합니다(무한한 미래를 기대하고 사는 것과 파는 것은 동등하며 서로에 대한 이점이 없습니다). 그래서 저는 뉴런이 거래를 마감할 시기를 결정하도록 허용하지 않습니다.
나는 "닫기" 신호를 사용하지 않습니다. 뉴런은 시장에 진입하는 방법만 알고 거래 시스템은 출구를 결정합니다. 이것은 바로 이 TS를 일반적으로 임의의 신호에만 적용하는 것보다 낫습니다.
네 번째 포럼에서 나는 일찍이 내 깊은 확신에 따라 거래 신호의 시간 제한 동작이 있는 TS만이 뉴런 및 유사한 기계 학습 시스템에 적합하다고 썼습니다. 그렇지 않으면 뉴런에게 극복할 수 없는 모순이 발생합니다(무한한 미래를 기대하고 사는 것과 파는 것은 동등하며 서로에 대한 이점이 없습니다). 그래서 저는 뉴런이 거래를 마감할 시기를 결정하도록 허용하지 않습니다.
당신의 게시물은 저를 행복하게 했습니다.
나는 여기서 기계 학습 알고리즘을 거래 시스템의 틀 밖에서 고려하는 것은 공허한 연습이라고 설교했습니다. 당신은 같은 아이디어를 생각해낸 최초의 사람입니다.
거래 시스템에서 춤을 추고 기계 학습 모델의 도움으로 REAL 거래 시스템의 매개 변수를 개선해야 합니다. rf를 삽입하고 드로다운을 줄였습니다. 정말 실제 TS에서는 매수/매도보다 훨씬 더 많은 특성을 가지고 있습니다.
2) 나는 이미 이것에 대해 쓰는 것이 지겹습니다. 게다가 시장이 자체 통계에 어긋난다는 것을 실제로 증명했고 역학 자체도 설명했습니다. 왜 이런 일이 발생하고 고전적인 형식의 모든 교육은 적용되지 않습니다. 그러나 그것은 누구에게도 흥미롭지 않습니다. 모두가 한 일을 하기도 합니다.
1. 감사합니다 읽어보겠습니다. 비록... p2 참조.
2. 시간이 지남에 따라 패턴이 변경되는 문제는 사전 학습으로도 해결할 수 없다고 생각합니다. 지식 기반에 단순히 새로운 패턴을 추가해야 할 뿐만 아니라 변경된 패턴과 패턴이 있는지 여부를 찾아야 하기 때문입니다. 변경됨 ... 이것은 매우 복잡하고 해결할 수 없는 작업인 것 같습니다. 이것은 AI, 사고, 지능의 한 부분입니다. 마치 구구단을 배우고 새롭고 특별하고 생소한 모든 작업에 수학을 적용할 수 있는 것과 같습니다. 생각하는 부분입니다. 발견할 수 있는 능력, 즉 유용한 정보와 지식을 독립적으로 생성할 수 있는 능력. 하지만 교묘하게 뉴런을 사용하는 방법은 금지되어 있지 않고 물론 가능합니다. 이것은 통계와 확률계산, 암기통계, 안전망확률 부분에서 따온 것이라고 생각합니다. 통계와 확률 계산의 성공적인 조합은 나에게 더 많은 확산을 줄 수 있습니다. 아마도 적어도 이것에 대한 모든 희망일 것입니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3-way ternary는 불일치를 해석하는 방법을 모르기 때문에 3-way ternary보다 구현하기가 더 쉽습니다. 모든 출력은 상호 배타적이어야 하며 실제로 항상 그런 것은 아닙니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
아무것도 아닙니다.)
네, 그렇습니다. 단순 삼항은 (신호 해석의 어려움을 제외하고) 시장 인지도 감소와 함께 거래 수 감소와 같은 놀라운 효과가 없습니다. 그러나 나는 가시(여기서 이 단어를 처음 배웠다)를 통해 정확하게 여기에 왔다.
2. 시간이 지남에 따라 패턴이 변경되는 문제는 사전 학습으로도 해결할 수 없다고 생각합니다. 지식 기반에 새로운 패턴을 추가할 뿐만 아니라 변경된 패턴과 변경되었는지 여부를 찾아야 하기 때문입니다. 전혀 ...
재훈련 문제는 Randomforest에서 명확하게 볼 수 있습니다.
예시.
5000 bar의 샘플에서 모델을 조정합니다. 모델 자체는 트리 수가 증가함에 따라 오류가 어떻게 변하는지 보여주는 그래프를 제공하며 트리가 패턴입니다. 내 예측자에서는 100그루의 나무를 가져갈 수 있습니다. 오류가 완전히 직선이 되도록 300을 취합니다. 20,000 bar의 샘플에서 조정(적용 안 함)을 시작합니다. 놀라운 사실: 오류 그래프는 변경되지 않았습니다! 나무의 수는 그대로 유지되었습니다. 저것들. 패턴 옵션은 처음 5000개 막대에 대해 이미 소진되었습니다.
그러나 가장 나쁜 점은 문제가 해결되지 않는다는 것입니다. 그리고 단 하나의 문제가 있습니다. 즉, 모델을 재교육하는 것입니다. 일부 세부 사항은 낚아채고 나무가 그 위에 세워집니다.
문제가 무엇입니까?
문제는 모델이 아니라 예측 변수에 있습니다.
예측변수의 예측력을 측정할 수 있습니다. 따라서 예측 능력(노이즈)이 없는 예측 변수를 폐기해야 할 뿐만 아니라 예측 능력도 고정적이어야 합니다. 나는 그런 예측자를 찾을 수 없었다. 그리고 이 문제가 남아 있습니다.
매도 매수 해석
-1 0 판매
0 0 울타리
0 1 구매
-1 1 울타리
다음은 스위치 테이블입니다. 그리드의 신호가 존재할 때 신호가 나타나고 서로 모순되지 않음을 보여줍니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3-way ternary는 불일치를 해석하는 방법을 모르기 때문에 3-way ternary보다 구현하기가 더 쉽습니다. 모든 출력은 상호 배타적이어야 하며 실제로 항상 그런 것은 아닙니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3방향 3원은 불일치를 해석하는 방법에 대한 단서가 없기 때문에 3원 3원보다 구현하기가 더 쉽습니다. 모든 결과가 상호 배타적이어야 하고 실제로 항상 그런 것은 아니기 때문입니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
사실, 두 개의 바이너리를 삼항에 추가하는 것은 하나의 삼항과 같지 않습니다.
세 번째 클래스를 추가하면 두 클래스의 모순이 됩니다. 그리고 만약 원래 삼항? 시장에서 사다 판매? 예를 들어 지그재그로 보면 어떻게 생겼습니까? Vnerynka - 지그재그로 된 평면입니까? 저것들. 당신과 완전히 다른 목표 변수.
이러한 설명으로 그럴듯하게 들립니다. 그리고 얼마나 희귀한 패턴을 거래합니까? 예를 들어 " 구매 위치 열기 " 및 "모든 거래 닫기" 클래스가 포함된 교육 예제가 있는 경우 이러한 클래스의 비율은 얼마가 될까요? 바이 클래스는 수백 포인트 급등한 가격 급등에 해당한다고 가정할 수 있습니다. 즉, 바이 클래스의 양은 모든 교육 예제의 약 10%입니다.
나는 "닫기" 신호를 사용하지 않습니다. 뉴런은 시장에 진입하는 방법만 알고 거래 시스템은 출구를 결정합니다. 이것은 바로 이 TS를 일반적으로 임의의 신호에만 적용하는 것보다 낫습니다.
네 번째 포럼에서 나는 일찍이 내 깊은 확신에 따라 거래 신호의 시간 제한 동작이 있는 TS만이 뉴런 및 유사한 기계 학습 시스템에 적합하다고 썼습니다. 그렇지 않으면 뉴런에게 극복할 수 없는 모순이 발생합니다(무한한 미래를 기대하고 사는 것과 파는 것은 동등하며 서로에 대한 이점이 없습니다). 그래서 저는 뉴런이 거래를 마감할 시기를 결정하도록 허용하지 않습니다.
나는 "닫기" 신호를 사용하지 않습니다. 뉴런은 시장에 진입하는 방법만 알고 거래 시스템은 출구를 결정합니다. 이것은 바로 이 TS를 일반적으로 임의의 신호에만 적용하는 것보다 낫습니다.
네 번째 포럼에서 나는 일찍이 내 깊은 확신에 따라 거래 신호의 시간 제한 동작이 있는 TS만이 뉴런 및 유사한 기계 학습 시스템에 적합하다고 썼습니다. 그렇지 않으면 뉴런에게 극복할 수 없는 모순이 발생합니다(무한한 미래를 기대하고 사는 것과 파는 것은 동등하며 서로에 대한 이점이 없습니다). 그래서 저는 뉴런이 거래를 마감할 시기를 결정하도록 허용하지 않습니다.
당신의 게시물은 저를 행복하게 했습니다.
나는 여기서 기계 학습 알고리즘을 거래 시스템의 틀 밖에서 고려하는 것은 공허한 연습이라고 설교했습니다. 당신은 같은 아이디어를 생각해낸 최초의 사람입니다.
거래 시스템에서 춤을 추고 기계 학습 모델의 도움으로 REAL 거래 시스템의 매개 변수를 개선해야 합니다. rf를 삽입하고 드로다운을 줄였습니다. 정말 실제 TS에서는 매수/매도보다 훨씬 더 많은 특성을 가지고 있습니다.
1) 이전에 학습할 수 있는 그런 네트워크가 있는데, 이전에 알지 못했던 데이터를 수신하면 흥미롭게 읽을 수 있습니다. 네트워크는 SOINN https://www.google.com.ua/webhp 입니다. ?sourceid=chrome-instant&ion= 1&espv=2&ie=UTF-8#q=soinn
2) 나는 이미 이것에 대해 쓰는 것이 지겹습니다. 게다가 시장이 자체 통계에 어긋난다는 것을 실제로 증명했고 역학 자체도 설명했습니다. 왜 이런 일이 발생하고 고전적인 형식의 모든 교육은 적용되지 않습니다. 그러나 그것은 누구에게도 흥미롭지 않습니다. 모두가 한 일을 하기도 합니다.
1. 감사합니다 읽어보겠습니다. 비록... p2 참조.
2. 시간이 지남에 따라 패턴이 변경되는 문제는 사전 학습으로도 해결할 수 없다고 생각합니다. 지식 기반에 단순히 새로운 패턴을 추가해야 할 뿐만 아니라 변경된 패턴과 패턴이 있는지 여부를 찾아야 하기 때문입니다. 변경됨 ... 이것은 매우 복잡하고 해결할 수 없는 작업인 것 같습니다. 이것은 AI, 사고, 지능의 한 부분입니다. 마치 구구단을 배우고 새롭고 특별하고 생소한 모든 작업에 수학을 적용할 수 있는 것과 같습니다. 생각하는 부분입니다. 발견할 수 있는 능력, 즉 유용한 정보와 지식을 독립적으로 생성할 수 있는 능력. 하지만 교묘하게 뉴런을 사용하는 방법은 금지되어 있지 않고 물론 가능합니다. 이것은 통계와 확률계산, 암기통계, 안전망확률 부분에서 따온 것이라고 생각합니다. 통계와 확률 계산의 성공적인 조합은 나에게 더 많은 확산을 줄 수 있습니다. 아마도 적어도 이것에 대한 모든 희망일 것입니다.
당신의 게시물은 저를 행복하게 했습니다.
나는 여기서 기계 학습 알고리즘을 거래 시스템의 틀 밖에서 고려하는 것은 공허한 연습이라고 설교했습니다. 당신은 같은 아이디어를 생각해낸 최초의 사람입니다.
거래 시스템에서 춤을 추고 기계 학습 모델의 도움으로 REAL 거래 시스템의 매개 변수를 개선해야 합니다. rf를 삽입하고 드로다운을 줄였습니다. 실제 TS에서는 매수/매도보다 훨씬 더 많은 특성을 가지고 있습니다.
매우 기쁘게 생각합니다.
기계 학습이 특정 TS와 분리되어 일반적으로 누군가에 의해 고려될 수 있다는 사실에 놀랐습니다...
Forex의 경우 이것도 가능하지만 더 적은 노력을 기울여야 합니다.
예, 하지만 뉴런의 구성에는 없습니다.
고맙습니다! 따라서 내 삼항 분류기에서와 같이 두 이진 분류기의 불일치는 울타리에 앉아 있습니다.
우리는 병렬로 동일한 솔루션에 도달한 것으로 나타났습니다. 하나의 삼항은 두 개의 이진에서 어셈블될 수 있습니다. 3-way ternary는 불일치를 해석하는 방법을 모르기 때문에 3-way ternary보다 구현하기가 더 쉽습니다. 모든 출력은 상호 배타적이어야 하며 실제로 항상 그런 것은 아닙니다.
그리고 우리의 결론도 동일합니다. 두 이진의 삼항이 개별 이진보다 일반화 능력이 더 높습니다.
아무것도 아닙니다.)
네, 그렇습니다. 단순 삼항은 (신호 해석의 어려움을 제외하고) 시장 인지도 감소와 함께 거래 수 감소와 같은 놀라운 효과가 없습니다. 그러나 나는 가시(여기서 이 단어를 처음 배웠다)를 통해 정확하게 여기에 왔다.
2. 시간이 지남에 따라 패턴이 변경되는 문제는 사전 학습으로도 해결할 수 없다고 생각합니다. 지식 기반에 새로운 패턴을 추가할 뿐만 아니라 변경된 패턴과 변경되었는지 여부를 찾아야 하기 때문입니다. 전혀 ...
재훈련 문제는 Randomforest에서 명확하게 볼 수 있습니다.
예시.
5000 bar의 샘플에서 모델을 조정합니다. 모델 자체는 트리 수가 증가함에 따라 오류가 어떻게 변하는지 보여주는 그래프를 제공하며 트리가 패턴입니다. 내 예측자에서는 100그루의 나무를 가져갈 수 있습니다. 오류가 완전히 직선이 되도록 300을 취합니다. 20,000 bar의 샘플에서 조정(적용 안 함)을 시작합니다. 놀라운 사실: 오류 그래프는 변경되지 않았습니다! 나무의 수는 그대로 유지되었습니다. 저것들. 패턴 옵션은 처음 5000개 막대에 대해 이미 소진되었습니다.
그러나 가장 나쁜 점은 문제가 해결되지 않는다는 것입니다. 그리고 단 하나의 문제가 있습니다. 즉, 모델을 재교육하는 것입니다. 일부 세부 사항은 낚아채고 나무가 그 위에 세워집니다.
문제가 무엇입니까?
문제는 모델이 아니라 예측 변수에 있습니다.
예측변수의 예측력을 측정할 수 있습니다. 따라서 예측 능력(노이즈)이 없는 예측 변수를 폐기해야 할 뿐만 아니라 예측 능력도 고정적이어야 합니다. 나는 그런 예측자를 찾을 수 없었다. 그리고 이 문제가 남아 있습니다.
아무것도 아닙니다.)
네, 그렇습니다. 단순 삼항은 (신호 해석의 어려움을 제외하고) 시장 인지도 감소와 함께 거래 수 감소와 같은 놀라운 효과가 없습니다. 그러나 나는 가시(여기서 이 단어를 처음 배웠다)를 통해 정확하게 여기에 왔다.
삼항 - 상호 배타적인 세 가지 상태를 취할 수 있음을 의미합니다. 다른 이름은 삼항입니다.
그리고 각각 이진인 3개의 출력이 있는 그리드는 8개의 상호 배타적인 상태를 생성할 수 있으며 이 중 3개만 삼항처럼 명확하게 해석됩니다. 그리고 나머지 5개 주는 어떻게 해석해야 할지 불분명한 상태인가요?