증분의 부호가 아니라 예를 들어 지그재그의 다음 구간 가격이나 더 나은 것 또는 예를 들어 추적을 예측하십시오. 최대 30개의 후속 캔들 또는 이와 유사한 것에 대해 분류가 아닌 회귀를 사용하지만 회귀는 한 단계 앞서는 것이 아니라 말 그대로 극값을 찾습니다. 나는 당신이 즐겁게 놀랄 것이라고 생각합니다
아아, 기적은 일어나지 않습니다. 가격(극단값 등)과 같은 총 변수는 전혀 예측되지 않습니다. 음, 손(어떤 식으로든 tobish)과 상대 변수(극단값에서 가격 편차)보다 훨씬 낫지 않습니다. 증분으로도 좋지 않습니다.
증분의 부호가 아니라 예를 들어 지그재그의 다음 구간 가격이나 더 나은 것 또는 예를 들어 추적을 예측하십시오. 최대 30개의 후속 캔들 또는 이와 유사한 것에 대해 분류가 아닌 회귀를 사용하지만 회귀는 한 단계 앞서는 것이 아니라 말 그대로 극값을 찾습니다. 나는 당신이 즐겁게 놀랄 것이라고 생각합니다
아아, 기적은 일어나지 않습니다. 가격(극단값 등)과 같은 총 변수는 전혀 예측되지 않습니다. 음, 손(어떤 식으로든 tobish)과 상대 변수(극단값에서 가격 편차)보다 훨씬 낫지 않습니다. 증분으로도 좋지 않습니다.
아아, 기적은 일어나지 않습니다. 가격(극단값 등)과 같은 총 변수는 전혀 예측되지 않습니다. 음, 손(어떤 식으로든 tobish)과 상대 변수(극단값에서 가격 편차)보다 훨씬 낫지 않습니다. 증분으로도 좋지 않습니다.
예를 들어, 다음 시간 동안 가장 중요하게 될 극값은 양초 궤적의 값이나 양초의 색상, 지그재그 또는 . ..
적어도 나는 가지고 있으며 이에 대한 합리적인 설명이 있습니다.
python, lib용 테스터 - 그들은 모든 종류의 다른 것으로 가득 차 있습니다.
다른 모든 것과 관련하여 - 이제 다른 매개 변수로 운전하고 열정이 사라집니다. 숲과 같은 과적합
기차가 어디 있고 시험이 어디에 있는지 이해하기 쉽습니다. 즉, 실제로 아무 것도 변경되지 않았으며 catbust는 이점을 제공하지 않았습니다.
나는 나중에 lstm을 시도할 것이다
과적합이라고 생각되면 미리 트리 생성을 중지하지만 트랜잭션 수로 판단하면 오히려 과소적합이...
다양한 Precision 및 Recall 샘플에서 무엇을 얻을 수 있습니까?
파일에 샘플이 있습니다. 학습의 역학을 내 데이터와 비틀고 비교하는 것이 흥미로울 것입니다. 좋은 모델이 있으면 버릴 것입니다.
그건 그렇고, 나는 CatBoost 에서 나무의 잎을 뽑아보기로 결정했습니다. 그 중에 좋은 표본이 있는지 아니면 부스팅 이념 자체가 이것을 의미하지 않는지 어떻게 생각하십니까?
예를 들어, 다음 시간 동안 가장 중요하게 될 극값은 양초 궤적의 값이나 양초의 색상, 지그재그 또는 . ..
적어도 나는 가지고 있으며 이에 대한 합리적인 설명이 있습니다.
"가장 중요한 극한값"은 무엇을 의미합니까 - 중요한지 여부를 나중에 어떻게 확인합니까?
이 모든 것에 대한 이 얼마나 합리적인 설명은 매우 흥미롭습니다.
과적합이라고 생각되면 미리 트리 생성을 중지하지만 트랜잭션 수로 판단하면 오히려 과소적합이...
다양한 Precision 및 Recall 샘플에서 무엇을 얻을 수 있습니까?
파일에 샘플이 있습니다. 학습의 역학을 내 데이터와 비틀고 비교하는 것이 흥미로울 것입니다. 좋은 모델이 있으면 버릴 것입니다.
그건 그렇고, 나는 CatBoost에서 나무의 잎을 뽑아보기로 결정했습니다. 그 중에 좋은 표본이 있는지 아니면 부스팅 이념 자체가 이것을 의미하지 않는지 어떻게 생각하십니까?
약한 일반화의 의미에서 과적합. 나는 이미 위에서 문제를 해결하는 방법을 썼지만 더 우아한 접근 방식이 있습니다.
열차에 대한 교육의 질에는 전혀 문제가 없습니다 + 유효
나는 모두가 교사의 도움으로 네트워크를 훈련시키려고 하는 것을 봅니다.
회복 인자와 같은 목적 함수에 대한 훈련을 시도한 사람이 있습니까?
캣부스트에서 나뭇잎 뽑기 - 좋은 표본이 있는지, 아니면 부스팅 이데올로기 자체가 이것을 의미하지 않는지 모르겠습니다. 어떻게 생각하십니까?
가정하지 않습니다.
XGBoost에서 첫 번째 트리는 대략적인 모델입니다. 나머지는 첫 번째와 미세한 계수로 수정합니다. 별도로 작동하는 것을 꺼내지 마십시오. 전체 군중에게 좋은 결과만 제공합니다.캣버스트에서는 분명히 동일한 기본 원리와 고유한 특성이 있습니다.
다른 모든 것과 관련하여 - 이제 다른 매개 변수로 운전하고 열정이 사라집니다. 숲과 같은 과적합
기차가 어디 있고 시험이 어디에 있는지 이해하기 쉽습니다. 즉, 실제로 아무 것도 변경되지 않았으며 catbust는 이점을 제공하지 않았습니다.
분명히 MQL + Python + Cutbust 소프트웨어 패키지로 시스템을 복잡하게 만드는 것은 의미가 없습니다. 그리고 Alglib 숲에서 패턴을 찾으십시오.
패턴이 있으면 캣부스트처럼 99%가 아니라 숲이 90% 배우게 하세요. 가장 중요한 것은 백분율을 찾은 다음에만 추적하는 것입니다. 자, 거기와 거기 둘 다 약 50%로 밝혀졌습니다.
이 숲과 함께 모든 사람들이 야생으로 들어간 것 같습니다.
외부 도움 없이 그곳에서 나가는 것은 이미 불가능합니다)))
분명히 MQL + Python + Cutbust 소프트웨어 패키지로 시스템을 복잡하게 만드는 것은 의미가 없습니다. 그리고 Alglib 숲에서 패턴을 찾으십시오.
패턴이 있으면 캣부스트처럼 99%가 아니라 숲이 90% 배우게 하세요. 가장 중요한 것은 관심을 찾은 다음에만 관심을 쫓는 것입니다. 자, 거기와 거기 둘 다 약 50%로 밝혀졌습니다.
모든 것을 느끼는 것이 흥미롭고 둘 다 .. 비교할 것이 없으면 아무것도 이해할 수 없습니다.