"변경해야 할 수도 있음"이 의미하는 바는 재료와 활성화 기능이 어떻게 작동하는지 배우십시오. 아니면 네트워크 개발자가 너무 멍청해서 추측하지 못했을 수도 있습니다.
이것은 비어 있는 상태에서 비어 있는 상태로의 수혈이기 때문에 몇 가지 가정과 0의 세부 사항이 있습니다. 우리는 오토인코더를 훈련하고 기능을 부스팅 또는 NS로 몰아 결과를 보여주었습니다. 모두. 당신은 아무것도 풀 필요가 없습니다. 심층 아키텍처는 분리하기 위해 구축된 것이 아니라 분석 루틴을 줄이기 위해 구축되었습니다.
프로필 교육도 수학 교육도 받지 않은 채 왜 이 모든 일에 뛰어들고 바퀴를 재발명합니까? 그것은 시간 낭비입니다. 기술이 있고 어떻게 사용해야 하는지 기록되어 있습니다. 그게 전부입니다. 많은 사람들이 이 작업을 하고 있습니다.
기성품 솔루션이 내가 설정 한 작업을 해결했다면 아무 것도 발명 할 필요가 없었지만 아아.
이제 저는 큰 샘플을 준비 중이며 CatBoost 에서 많은 모델을 훈련할 것입니다. 실시간으로 더 성공적으로 적용하기 위해 모델의 품질을 평가하는 방법에 대한 아이디어가 있습니다. 연구 결과를 공유하겠습니다.
그는 여기에서 상관 계수에 대한 공식을 한 번 제안한 것 같습니다. C = (n1 - n2)/n, 여기서 n은 두 시스템 중 적어도 하나가 거래 신호를 제공하는 막대의 수이고 , n1은 두 시스템에서 동시에 동일한 방향으로 신호가 제공되는 막대 및 n2 - 두 시스템에서 동시에 반대 방향으로 신호가 제공되는 막대의 수.
물론 시계열에 대한 선명도가 없으므로 예측 변수에는 Y뿐만 아니라 X 좌표에 대한 정보가 포함되어야 합니다.
그러한 무작위 패턴을 식별하는 방법을 배우면 이익이 있을 것입니다.
지난 몇 년 동안 선택된 잎의 60% 이상이 저를 위해 일했으며, 이는 매우, 제 생각에는 잘 분류되지 않은 데이터를 처리하는 접근 방식 아이디어의 실행 가능성을 확인시켜줍니다. 더 많은 사람들이 이 아이디어로 작업했다면 결과는 더 좋았겠지만 모두가 자신만의 장신구를 가지고 있습니다.
물론 시계열에 대한 선명도가 없으므로 예측 변수에는 Y뿐만 아니라 X 좌표에 대한 정보가 포함되어야 합니다.
그러한 무작위 패턴을 식별하는 방법을 배우면 이익이 있을 것입니다.
지난 몇 년 동안 선택된 잎의 60% 이상이 저를 위해 일했으며, 이는 매우, 제 생각에는 잘 분류되지 않은 데이터를 처리하는 접근 방식 아이디어의 실행 가능성을 확인시켜줍니다. 더 많은 사람들이 이 아이디어로 작업했다면 결과는 더 좋았겠지만 모두가 자신만의 장신구를 가지고 있습니다.
그들은 기사를 원했던 것 같습니다 .. 접근 방식의 본질을 설명하십시오. 나는 아직도 당신이 무엇을하는지 이해하지 못합니다 :D
나는 특징이 시계열 (있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
그는 여기에서 상관 계수에 대한 공식을 한 번 제안한 것 같습니다. C = (n1 - n2)/n, 여기서 n은 두 시스템 중 적어도 하나가 거래 신호를 제공하는 막대의 수이고 , n1은 두 시스템에서 동시에 동일한 방향으로 신호가 제공되는 막대 및 n2 - 두 시스템에서 동시에 반대 방향으로 신호가 제공되는 막대의 수.
이러한 계수의 행렬은 클러스터링, 희석 및 포트폴리오 구축에 사용할 수 있습니다.
예측 변수는 어떻습니까?
나는 잎의 선택을 위해 비슷한 일을 하지만 표본에서 잎 응답의 수가 다르다는 점에서 여전히 캐치가 있으며 응답은 비슷하지만 길이가 다른 잎이 같은 그룹에 속할 수 있다는 점을 고려해야 합니다. .
그러면 누가 "둥근 레벨"을 표시로 사용하려고 했습니까?
아니면 가격을 처리하는 방법으로?
예를 들어 값이 반올림된 가격을 확인할 수 있습니다...
연속으로 동일한 값을 제거할 수 있습니다...
그것은 정보의 나쁜 압축이 아니라 필터링을 더한 것으로 판명되었습니다. 아마도 모델이 그러한 차트에서 패턴을 찾는 것이 더 쉬울 것입니다..
나는 예측자를 만들 계획입니다. 여기 논리는 수준에 옵션 스트라이크가 있으므로 이것이 Moex에 유용할 수 있다는 것입니다.
그래프는 흥미롭습니다. MQL에서 알고리즘은 빠르게 얻을 수 있습니다.멈춤에 대해 - 오류 수정 방식을 변경해야 할 수도 있습니다.
글쎄, 블랙 박스가있는 이유는 2-3 레이어 만 있으면 계수로 선택하는 것이 가능합니다. 여기에서 작은 계수는 거칠어지고 0으로 재설정되어 뉴런에 대한 입력 수를 줄일 수 있습니다.
"변경해야 할 수도 있음"이 의미하는 바는 재료와 활성화 기능이 어떻게 작동하는지 배우십시오. 아니면 네트워크 개발자가 너무 멍청해서 추측하지 못했을 수도 있습니다.
프로필 교육도 수학 교육도 받지 않은 채 왜 이 모든 일에 뛰어들고 바퀴를 재발명합니까? 그것은 시간 낭비입니다. 기술이 있으며 어떻게 사용해야 하는지 기록되어 있습니다.
"변경해야 할 수도 있음"이 의미하는 바는 재료와 활성화 기능이 어떻게 작동하는지 배우십시오. 아니면 네트워크 개발자가 너무 멍청해서 추측하지 못했을 수도 있습니다.
이것은 비어 있는 상태에서 비어 있는 상태로의 수혈이기 때문에 몇 가지 가정과 0의 세부 사항이 있습니다. 우리는 오토인코더를 훈련하고 기능을 부스팅 또는 NS로 몰아 결과를 보여주었습니다. 모두. 당신은 아무것도 풀 필요가 없습니다. 심층 아키텍처는 분리하기 위해 구축된 것이 아니라 분석 루틴을 줄이기 위해 구축되었습니다.
프로필 교육도 수학 교육도 받지 않은 채 왜 이 모든 일에 뛰어들고 바퀴를 재발명합니까? 그것은 시간 낭비입니다. 기술이 있고 어떻게 사용해야 하는지 기록되어 있습니다. 그게 전부입니다. 많은 사람들이 이 작업을 하고 있습니다.
기성품 솔루션이 내가 설정 한 작업을 해결했다면 아무 것도 발명 할 필요가 없었지만 아아.
이제 저는 큰 샘플을 준비 중이며 CatBoost 에서 많은 모델을 훈련할 것입니다. 실시간으로 더 성공적으로 적용하기 위해 모델의 품질을 평가하는 방법에 대한 아이디어가 있습니다. 연구 결과를 공유하겠습니다.
기성품 솔루션이 내가 설정 한 작업을 해결했다면 아무 것도 발명 할 필요가 없었지만 아아.
이제 저는 큰 샘플을 준비 중이고 CatBoost에서 많은 모델을 훈련할 것입니다. 실시간으로 더 성공적으로 적용하기 위해 모델의 품질을 평가하는 방법에 대한 아이디어가 있습니다. 연구 결과를 공유하겠습니다.
catboost는 시계열 예측 문제를 해결하는 데 적합하지 않으며 시퀀스에서는 작동하지 않습니다.
분류만으로 순전히 놀 수 있지만 의미가 없을 것입니다.catboost는 시계열 예측 문제를 해결하는 데 적합하지 않으며 시퀀스에서는 작동하지 않습니다.
분류만으로 순전히 놀 수 있지만 의미가 없을 것입니다.작동 여부를 어떻게 결정합니까?
나는 1 년 동안 테스터에서 이익을 보여주는 모델이 있습니다 (약 1 년 전에 훈련 됨). 당신은 그들을 사고로 간주 할 것을 제안합니까?
예, CatBoost는 잎 후처리가 있는 유전자 트리보다 열등하지만 학습 속도는 매우 빠릅니다.
그리고 무엇이 작동합니까 - NS?
작동 여부를 어떻게 결정합니까?
나는 1 년 동안 테스터에서 이익을 보여주는 모델이 있습니다 (약 1 년 전에 훈련 됨). 당신은 그들을 사고로 간주 할 것을 제안합니까?
예, CatBoost는 잎 후처리가 있는 유전자 트리보다 열등하지만 학습 속도는 매우 빠릅니다.
그리고 무엇이 작동합니까 - NS?
내가 정의한 것이 아니라 다른 작업을 위한 아키텍처 자체
네, 모두 우연입니다
아무것도 작동하지 않는 동안)
예측자는 알몸 가격이 아닙니다. 유사할 수 있는 많은 상대적인 점...
상관관계에 의한 선별이 효과가 있을지는 모르겠지만...
왜 시도하지 않습니까? 부정적인 결과도 결과입니다(더 생각해 볼 음식이라는 의미에서).
그는 여기에서 상관 계수에 대한 공식을 한 번 제안한 것 같습니다. C = (n1 - n2)/n, 여기서 n은 두 시스템 중 적어도 하나가 거래 신호를 제공하는 막대의 수이고 , n1은 두 시스템에서 동시에 동일한 방향으로 신호가 제공되는 막대 및 n2 - 두 시스템에서 동시에 반대 방향으로 신호가 제공되는 막대의 수.
이러한 계수의 행렬은 클러스터링, 희석 및 포트폴리오 구축에 사용할 수 있습니다.
내가 정의한 것이 아니라 다른 작업을 위한 아키텍처 자체
네, 모두 우연입니다
아무것도 작동하지 않는 동안)
물론 시계열에 대한 선명도가 없으므로 예측 변수에는 Y뿐만 아니라 X 좌표에 대한 정보가 포함되어야 합니다.
그러한 무작위 패턴을 식별하는 방법을 배우면 이익이 있을 것입니다.
지난 몇 년 동안 선택된 잎의 60% 이상이 저를 위해 일했으며, 이는 매우, 제 생각에는 잘 분류되지 않은 데이터를 처리하는 접근 방식 아이디어의 실행 가능성을 확인시켜줍니다. 더 많은 사람들이 이 아이디어로 작업했다면 결과는 더 좋았겠지만 모두가 자신만의 장신구를 가지고 있습니다.
물론 시계열에 대한 선명도가 없으므로 예측 변수에는 Y뿐만 아니라 X 좌표에 대한 정보가 포함되어야 합니다.
그러한 무작위 패턴을 식별하는 방법을 배우면 이익이 있을 것입니다.
지난 몇 년 동안 선택된 잎의 60% 이상이 저를 위해 일했으며, 이는 매우, 제 생각에는 잘 분류되지 않은 데이터를 처리하는 접근 방식 아이디어의 실행 가능성을 확인시켜줍니다. 더 많은 사람들이 이 아이디어로 작업했다면 결과는 더 좋았겠지만 모두가 자신만의 장신구를 가지고 있습니다.
그들은 기사를 원했던 것 같습니다 .. 접근 방식의 본질을 설명하십시오. 나는 아직도 당신이 무엇을하는지 이해하지 못합니다 :D
나는 특징이 시계열 (있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
왜 시도하지 않습니까? 부정적인 결과도 결과입니다(더 생각해 볼 음식이라는 의미에서).
그는 여기에서 상관 계수에 대한 공식을 한 번 제안한 것 같습니다. C = (n1 - n2)/n, 여기서 n은 두 시스템 중 적어도 하나가 거래 신호를 제공하는 막대의 수이고 , n1은 두 시스템에서 동시에 동일한 방향으로 신호가 제공되는 막대 및 n2 - 두 시스템에서 동시에 반대 방향으로 신호가 제공되는 막대의 수.
이러한 계수의 행렬은 클러스터링, 희석 및 포트폴리오 구축에 사용할 수 있습니다.
예측 변수는 어떻습니까?
나는 잎의 선택을 위해 비슷한 일을 하지만 표본에서 잎 응답의 수가 다르다는 점에서 여전히 캐치가 있으며 응답은 비슷하지만 길이가 다른 잎이 같은 그룹에 속할 수 있다는 점을 고려해야 합니다. .