El sobremuestreo no da nada todavía, pero el "tomo" ha mejorado un poco el resultado - significa que hay algo en los datos, lo principal es cavar bien.
Histograma de modelos con diferentes ajustes de cuantificación en la muestra.
Hace un mejor límite entre las clases. Lo mismo debería ocurrir con los datos, para que la separación en clases sea clara y los ejemplos no se solapen.
y hasta sé cómo hacerlo... algo inteligente, pero aún no lo he hecho
hace un mejor límite entre las clases. También los datos deben prepararse de la misma manera, para que la división en clases sea clara y los ejemplos no se solapen
y hasta sé cómo hacerlo... algo inteligente, pero aún no lo he hecho.
Maxim Dmitrievsky: Añade la agrupación al muestreo de etiquetas. Agrupación por los mismos atributos y, a continuación, muestreo con clusters. Las clases se separarán, pero no está claro qué pasará con los nuevos datos. Debería mejorar, en teoría.
Así que he cubierto esta idea aquí esta semana :)
Sólo sugiero que se disminuya el número de clases principales.
Maxim Dmitrievsky: No sé, tendré que ver. Quizá este fin de semana le eche un vistazo.
Por favor, avísame si lo encuentras, si no, empezaré a construir mi moto :)
Elibrarius sugirió una idea: construir un árbol ramificado y utilizarlo en lugar de la agrupación, tomando la información de las hojas para reducir la clase mayoritaria.
Futuros actuales: formación completada en 2018. Demasiado bonito.
Y aquí está el mismo patrón en los últimos futuros. Aquí es más triste, pero soportable.
Aún más cerca del final del entrenamiento veamos los futuros. Y ahí es donde está el problema.
Y no entiendo lo que pasa: parecería que cuanto más cerca del final del entrenamiento, mejores deberían ser los resultados, pero es lo contrario: ¡una anomalía!
No, por porcentaje hay un tipo de curva de aprendizaje - sin MO, el 40%-45% son rentables, y con MO el 60%-65%. Pero para el trading no es un indicador a menos que el beneficio sea igual a la pérdida.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
El sobremuestreo no da nada todavía, pero el "tomo" ha mejorado un poco el resultado - significa que hay algo en los datos, lo principal es cavar bien.
Histograma de modelos con diferentes ajustes de cuantificación en la muestra.
Hace un mejor límite entre las clases. Lo mismo debería ocurrir con los datos, para que la separación en clases sea clara y los ejemplos no se solapen.
y hasta sé cómo hacerlo... algo inteligente, pero aún no lo he hechohace un mejor límite entre las clases. Así es como deben prepararse los datos, para que la división en clases sea clara y los ejemplos no se solapen
y hasta sé cómo hacerlo... soy algo inteligente, pero aún no lo he hechoMe pregunto cómo. En nuestro campo, normalmente las clases pueden describirse como uniformemente mezcladas.
hace un mejor límite entre las clases. También los datos deben prepararse de la misma manera, para que la división en clases sea clara y los ejemplos no se solapen
y hasta sé cómo hacerlo... algo inteligente, pero aún no lo he hecho.Añade la agrupación al muestreo de etiquetas. Agrupación por los mismos atributos y, a continuación, muestreo con clusters. Las clases se separarán, pero no está claro qué pasará con los nuevos datos. Debería mejorar, en teoría.
Así que he cubierto esta idea aquí esta semana :)
Sólo sugiero que se disminuya el número de clases principales.
Así que cubrí esta idea aquí esta semana :)
Sólo sugiero que se reduzca el número de clases principales.
No he visto
¿Existe algún método/herramienta que pueda hacer esto automáticamente?
¿Existe algún método/herramienta que pueda hacer esto automáticamente?
No sé, tendré que ver. Quizá este fin de semana le eche un vistazo.
Por favor, avísame si lo encuentras, si no, empezaré a construir mi moto :)
Elibrarius sugirió una idea: construir un árbol ramificado y utilizarlo en lugar de la agrupación, tomando la información de las hojas para reducir la clase mayoritaria.
Futuros actuales: formación completada en 2018. Demasiado bonito.
Y aquí está el mismo patrón en los últimos futuros. Aquí es más triste, pero soportable.
Aún más cerca del final del entrenamiento veamos los futuros. Y ahí es donde está el problema.
Y no entiendo lo que pasa: parecería que cuanto más cerca del final del entrenamiento, mejores deberían ser los resultados, pero es lo contrario: ¡una anomalía!
La respuesta parece estar en la propia tendencia: los futuros actuales sin MO
Última
y también
Oh, ¿¡Ese es el modus operandi!?