Discusión sobre el artículo "Random Decision Forest en el aprendizaje reforzado" - página 9
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Cuando seas mayor, lo entenderás.
Al menos, para empezar, lee qué solvers se usan en las redes neuronales, y por qué nadie usa la genética para entrenarlas.Sabía que se trataba de solucionadores.
incluso con 50 entradas y un NS de 2 capas con 15 neuronas por capa, calcula el número aproximado de pesos. Tardarás una eternidad en optimizar una primitiva así mediante un optimizador. Y esto sigue siendo un diseño bastante sencillo.
Pon estas 50 entradas en mi ejemplo y aprenderás al instante. La diferencia está en esto.
incluso con 50 entradas y un NS de 2 capas con 15 neuronas por capa, calcula el número aproximado de pesos. Te llevará una eternidad optimizar una primitiva así mediante un optimizador. Y esto sigue siendo una construcción muy simple.
Ponga estas 50 entradas en mi ejemplo y aprenderá al instante. Esa es la diferencia.
Eso es de lo que estamos hablando aquí. Lo complicas demasiado y piensas que esa es la forma correcta. Es la manera equivocada. Más complicado no significa mejor.
Tengo cuatro entradas, tres neuronas, una capa para cada señal. Sólo hay dos señales, pero están individualizadas para cada símbolo. Son muchos símbolos. Operar durante un mes después de un año de entrenamiento es mejor con la red neuronal que sin ella. ¡Aquí está el resultado! Abierto hace poco, sentado temblando de felicidad y mirando qué más se les ha ocurrido. A la espera de la confirmación en el comercio real.
A eso me refiero. Lo complicas demasiado y crees que es la forma correcta. Es el camino equivocado. Más complicado no significa mejor.
Tengo cuatro entradas, tres neuronas, una capa para cada señal. Sólo hay dos señales, pero para un símbolo individualmente. Eso es un montón de símbolos. Operar durante un mes después de un año de entrenamiento es mejor con la red neuronal que sin ella. Aquí está el resultado. Abierto hace poco, sentado temblando de felicidad y mirando qué más se les ha ocurrido. A la espera de la confirmación en el comercio real.
Nada es complicado, es un modelo clásico de MO.
Aprender a través del optimizador es aún más complicado, porque eliges variantes que te gustan y que funcionan en el forward, entre cientos y miles que no funcionan. Esto es una trampa mental, crees que hay un proceso de aprendizaje - en realidad hay un proceso de ajuste. Divida el número de modelos que funcionan por el número de modelos que no funcionan en la lista de optimización hacia delante y obtendrá la probabilidad de que algo de los modelos seleccionados funcione en la vida real en el futuro. Suele ser una probabilidad del 1-5%.
así que no hay que temblar, es un 99% de probabilidad de sobreajuste.
En cualquier caso: Buena suerte.nada es complicado, es un modelo clásico del Ministerio de Defensa.
Aprender a través de un optimizador es un ajuste aún mayor, porque eliges variantes que te gustan y que funcionan en la delantera entre cientos y miles que no funcionan. Esto es una trampa mental, crees que hay un proceso de aprendizaje - en realidad hay un proceso de ajuste. Divida el número de modelos que funcionan por el número de modelos que no funcionan en la lista de optimización hacia delante y obtendrá la probabilidad de que algo de los modelos seleccionados funcione en la vida real en el futuro. Suele ser una probabilidad del 1-5%.
así que no hay que temblar, es un 99% de probabilidad de sobreajuste.
En cualquier caso: Buena suerte.No, no, no, no. No hubo ajuste. Hubo aprendizaje independiente del siguiente conjunto de control. Elegí diferentes períodos, y el próximo mes es sólo el próximo mes. Traté de tomar más parámetros de entrada, no mejora. Terminé dividiendo las redes. Para ser justos, tengo 3 de ellas en un sistema (2 abiertas + 1 cerrada), totalizando 11 entradas. Así que estoy agitando las cosas.
En otras palabras, el mes actual es el mismo conjunto de control en el que hice la prueba en el pasado. No hubo ningún ajuste en el mes de control.
No, no, no, no. No hubo ajuste. Hubo entrenamiento independiente del siguiente conjunto de control. Elegí diferentes períodos, y el próximo mes es sólo el próximo mes. Traté de tomar más parámetros de entrada, no mejora. Terminé dividiendo las redes. Para ser justos, tengo 3 de ellas en un sistema (2 abiertas + 1 cerrada), totalizando 11 entradas. Así que estoy temblando.
Tal vez ocurra un milagro.
O los propios predictores son significativos.¿Me podéis decir cómo construir un árbol n-ario? Hice a través de una matriz de estructuras masa[0].masa[1].masa[n]...masa[n], pero no encaja, debe ser dinámica en profundidad y no está claro cómo agregar un nuevo nodo en este caso, y la dirección en general será muy largo).
¿n-ary en el sentido de multiclase? Puede utilizar la misma biblioteca para establecer el número de árboles = 1
n-ario en el sentido de multiclase? Puede utilizar la misma biblioteca para establecer el número de árboles = 1
Para que no sea Binario, sino con un número arbitrario de descendientes en cada nodo, así:
Para que no sea Binario, sino con un número arbitrario de descendientes en cada nodo, así:
Bueno, son varias clases si lo pones, será así. Puedes poner un número arbitrario de características aleatorias, cuyo orden cambiará si pones una semilla diferente. No está claro cuál es la tarea: clasificación o regresión. Además, un bosque es mejor que un solo árbol.