Encontrar un conjunto de indicadores para alimentar las entradas de la red neuronal. Discusión. Una herramienta para evaluar los resultados. - página 6
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
joo писал(а) >>
rip e IlyaA parecen no entender que iliarr está utilizando un método de enseñanza sin maestro. ¿De qué tipo de error de aprendizaje podemos hablar, si la función objetivo es el beneficio? ¿O ambos piensan que habiendo entrenado la red en el historial, la ejecutarán en un historial de prueba y compararán el beneficio obtenido? El beneficio será diferente, menor o mayor, pero diferente. El historial de pruebas es diferente. No confundir con la aproximación por favor, donde el criterio para la calidad de la aproximación es la desviación estándar de la función original y la obtenida.
¿Qué tiene que ver el MSE con esto? La estimación de la corrección de la red según la idea del autor es la función de beneficio. Es decir, se abren posiciones longshort y se calcula el trade.Profit en relación con ellas o utilizándolas - esto se puede ver en el código. Bien, entonces la cuestión es simplemente ver cómo se comporta un individuo en una muestra de prueba, que se considera la mejor en una generación determinada. Por qué creo que esto es importante, el beneficio se cuenta en relación con la muestra de entrenamiento. Y quién dice que se comportará igual en las muestras que no se presentaron a la red.
Independientemente del método de entrenamiento de la red, con o sin profesor, una muestra de prueba con un resultado conocido permite estimar el grado de sobreentrenamiento.
O si no, volvemos al "chamanismo": algo se dio a la red, algo se recibió, y ahora vamos a interpretar el resultado.
El beneficio de f no puede utilizarse como estimación de la corrección del trabajo de una red. El Profit-Factor sólo describe una red desde el punto de vista de la capacidad de un Asesor Experto para obtener el mayor beneficio posible. No podemos decir nada más sobre la corrección de una red. Piensa que durante un determinado periodo de tiempo es posible ganar la misma cantidad de beneficios de muchas maneras diferentes. Cada comerciante se preocupa sobre todo de qué manera. Por ejemplo, para evaluar el rendimiento de la red se puede utilizar la reducción relativa máxima u otros criterios de evaluación de la ST. Es decir, el autor debe maximizar el beneficio de f en la muestra de entrenamiento, probarlo en una muestra de prueba y estimarlo utilizando los parámetros descritos anteriormente. O si optimizas un Asesor Experto estándar de Makdi, por ejemplo, ¿también seleccionarás la variante con el máximo beneficio?
Independientemente del método con el que se entrene la red, con o sin profesor, una muestra de prueba con un resultado conocido nos permite evaluar el grado de sobreentrenamiento.
O si no, volvemos al "chamanismo": dimos algo a la red, obtuvimos algo, y ahora vamos a interpretar el resultado.
¿Cómo se obtiene un resultado conocido en una muestra de prueba si se utiliza la función de beneficio?
Querido joo, te pido que no discutas el comportamiento o los pensamientos de otras personas, especialmente si la persona no te es familiar....
Pido disculpas si ha parecido que estaba discutiendo el comportamiento de otra persona o los pensamientos de otras personas, no pretendía ser personal. De nuevo, lo siento si lo hice.
También le pido que responda a esta pregunta. ¿Cree que una red se adaptará a los datos si se entrena con la genética? ¿Adaptar y no generalizar?
La capacidad de una red neuronal para adaptarse a cualquier cosa no depende de la genética. La genética es sólo uno de los métodos de optimización. La clave está en los datos presentados, en la topología de la red, en los métodos de estimación del resultado.
La capacidad de una red neuronal para adaptarse a cualquier cosa no depende de la genética. La genética es sólo uno de los métodos de optimización. El punto clave está en los datos presentados, en la topología de una red, en los métodos de estimación del resultado.
Me alegro de que sea tan amigable. En consecuencia, la lógica es que si no hay curva de error de aprendizaje, entonces hay una curva de eficiencia de aprendizaje. En ese caso, es necesario que el público lo vea. De acuerdo.En consecuencia, la lógica es la siguiente: si no hay curva de error de aprendizaje, entonces hay una curva de eficiencia de aprendizaje. En ese caso, es necesario que el público lo vea. >> De acuerdo.
Mi lógica es la siguiente:
Por analogía con el mundo animal. Hay un ciervo y un lobo que viven en un bosque. Ambos pesan 80 kg. Un ciervo mordisquea hierba las 24 horas del día, mientras que un lobo se come la mitad de un alce y no come durante quince días. Su consumo medio de calorías es el mismo. Pero la forma en que se alimentan es diferente.
También lo hace TC. Debemos elegir cómo se obtendrá el beneficio y, en consecuencia, elegir los criterios para evaluar la CT, y en el contexto de esta rama - NN.
Mi lógica es la siguiente:
Por analogía con el mundo animal. En el bosque viven un ciervo y un lobo. Ambos pesan 80 kg. Un ciervo mordisquea hierba las 24 horas del día, mientras que un lobo se come la mitad de un alce y no come durante quince días. Su consumo medio de calorías es el mismo. Pero la forma en que se alimentan es diferente.
También lo hace TC. Tenemos que elegir cómo obtener el beneficio, y en consecuencia elegir los criterios de evaluación de la CT, y en el contexto de esta rama - NN.
Está evaluando el rendimiento de la red desde el punto de vista de la CT. Estoy viendo la red en sí, sin referencia al TC. La red es sólo un mecanismo de análisis de datos y nada más.
Pero usando tu alegoría, quiero ver una gráfica como un ciervo y un lobo ganan peso por separado (este entrenamiento) en un zoológico, y también una gráfica como un ciervo y un lobo ganarán peso, si decimos que fueron liberados en la naturaleza (pruebas), bueno, en un parque nacional, donde serán vigilados por los guardias. Sobre esta base sería posible construir una hipótesis de cómo se comportarán en la naturaleza %)
Está evaluando el rendimiento de la red desde el punto de vista de la CT. Estoy viendo la red en sí, sin referencia al TC. La red es sólo un mecanismo de análisis de datos y nada más.
Pero aplicando tu alegoría, me gustaría ver una gráfica de cómo ganan peso los ciervos y los lobos por separado (esto es un entrenamiento) en un zoológico, y también una gráfica de cómo ganarán peso los mismos ciervos y lobos, si decimos que son liberados en la naturaleza (probando), bueno, en un parque nacional, donde serán vigilados por guardas de caza. Sobre esta base podemos hacer una hipótesis de cómo se comportarán en la naturaleza %)
no hay mucho que hacer. Tenemos que estimar de alguna manera que si criamos un cervatillo, terminamos con un apuesto ciervo y no con un lobo. Es decir, evaluar no la tasa y el volumen de la ingesta de alimentos, sino la pertenencia a la especie que queremos. Quizás para realizar una clasificación, en esencia, para determinar la "similitud" de la curva de consumo con la de referencia. Y esta es una tarea distinta y difícil.
rip 10.11.2009 23:18
Independientemente del método utilizado para entrenar la red, con o sin maestro, una muestra de prueba con un resultado conocido permite evaluar el grado de sobreentrenamiento.
De lo contrario, volvemos al "chamanismo": dimos algo a la red, recibimos algo, y ahora vamos a interpretar el resultado.
Una observación perfectamente legítima. Para ello, descargo una red neuronal entrenada en un Expert Advisor de MT4 para comprobar en el probador de estrategias de MT4 lo que he conseguido.
La cita es del primer mensaje del tema:
iliarr 09.11.2009 13:13
Exporto la red entrenada a MQL4 Expert Advisor y compruebo su funcionalidad en el probador de estrategias de MT4. Voy a formar entradas para la red neuronal en el indicador MT4 y exportarlas a un archivo.
Y listo para publicar estas cargas aquí, con el fin de evaluar la calidad de los datos introducidos en la red. Propongo elegir el rango M5 del 1-08-2009 al 1-10-2009 y enseñar redes neuronales similares en él de la misma manera. Este método no pretende ser absolutamente preciso, pero creo que servirá para comparar.
Está evaluando el rendimiento de la red desde el punto de vista de la CT. Estoy viendo la red en sí, sin referencia al TC. La red es sólo un mecanismo de análisis de datos y nada más.
Pero aplicando tu alegoría, me gustaría ver una gráfica de cómo ganan peso los ciervos y los lobos por separado (esto es un entrenamiento) en un zoo, y también una gráfica de cómo ganarán peso los mismos ciervos y lobos, si decimos que los sueltan en la naturaleza (probando), bueno, en un parque nacional, donde estarán vigilados por guardas de caza. Sobre esta base podemos hacer una hipótesis de cómo se comportarán en la naturaleza %)
Durante el entrenamiento se lleva un registro así:
No creo que esta sea la respuesta a tu pregunta, pero no veo el sentido de mantener otras estadísticas.