¿Dónde está la línea que separa los patrones de ajuste y los reales? - página 21
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
Para los especialmente dotados:
1) en russkomazykenetlova osobogodnymi.
Bueno, se puede una vez, pero no cinco veces en cinco páginas consecutivas.
..............
2) El perjuicio de dividir los periodos.....
и
El daño de las pruebas OOS....
están de acuerdo en que son cosas diferentes.
No tergiverse la información fiable. No hay mucho de eso ya.... )
No, no lo era, si la prueba de OOS era positiva.
Si hay un resultado negativo en el OOS, no significa necesariamente que se ajuste a la Muestra: el mercado puede cambiar. Para estar seguros del ajuste, es necesario realizar pruebas en el OOS antes de la muestra y después de la muestra. Si el resultado de ambos delanteros es negativo, entonces ya nos ocupamos de los accesorios desnudos.
El éxito de las pruebas a futuro no garantiza la rentabilidad de la ST en el futuro. Su objetivo es identificar los ajustes.
Para asegurarnos de que el CT no se ajusta de forma contundente para el periodo de optimización, realizamos una prueba de OOS.
Todo es correcto. Pero. El OOS debe contener información diferente a la disponible en el periodo de optimización, para que estemos seguros de que el TS es capaz de generalizar (se encuentra alguna regularidad y los resultados serán similares en datos diferentes pero que contienen esta regularidad). De lo contrario, la prueba en OOS tendrá los mismos resultados que en la muestra, pero no confirmará que la ST aprendió un patrón, y en el futuro, la ST no podrá trabajar con los mismos resultados.
¡Ahora, presta atención! Pregunta: ¿Se comprueba si OOS contiene datos diferentes de S? Si es así, ¿cómo?
Si alguien encuentra inexactitudes en el propio diagrama, por favor, hágamelo saber...
Las dimensiones son ciertas, pero sigue siendo una imagen borrosa. En la ventana separada está claro.
Usted dice que está preparando los datos para la formación. ¿Podría ser más específico, cuánto tiempo lleva utilizando esas técnicas? Algo en tus palabras me resulta muy familiar, recuerdo que sugerí, al igual que en la rama sobre el contexto, preparar datos sintéticos con parámetros preliminares requeridos para la optimización, así puedes cambiar los parámetros de los datos y ver la respuesta del ST. Creo que en de como usted estaba de acuerdo conmigo, pero sugiriendo una opción ligeramente diferente a la mía: preparar datos de piezas reales de la historia, ¿es así?
1) en russkomazykenetlova osogodarstvennyy.go.... )
Para los especialmente dotados:
Ver. Diccionarios y enciclopedias sobre el Académico: Especialmente dotado
P.D. Para los conocedores de la lengua rusa especialmente dotados: en el idioma ruso hay espacios para separar unas palabras de otras.
Wai, wai, wai...
Qué complicado eres...:))
lazo, tu mejor opción es leer algo no muy complicado sobre las rejillas de los nervios. Creo que de ahí viene toda esta terminología. Tal vez sea inexacto en los términos, por favor discúlpeme, hace mucho tiempo que lo leí:
1. datos de muestra: la parcela de entrenamiento. Parcela de muestra, de la que tomamos directamente los datos y entrenamos la red.
2. Datos de verificación: sección de verificación. No entrenamos en esta parte, sino que la utilizamos para estimar el error y controlar cuándo debemos dejar de entrenar. Existe una curva conocida de error de verificación en función del número de ejecuciones. Esta es una curva con un mínimo. Si entrenamos demasiado tiempo, es decir, si no nos detenemos a tiempo, el error en la sección de entrenamiento seguirá disminuyendo, pero el error en la sección de verificación aumentará. Este es el ajuste: aproximamos muy bien los datos en el área de entrenamiento, pero nos excedimos, ya que el error de verificación empezó a crecer. El segundo error es la evaluación de la calidad del entrenamiento y la capacidad de generalización de una red neuronal.
3. datos de las pruebas. Esto es un verdadero OOS, fuera de muestra.
El segundo gráfico, el de verificación donde se evalúa el error, no es OOS, aunque no nos entrenamos en él. Sin embargo, los datos de esta sección se utilizan para entrenar los datos de la primera. Para verificar de forma adecuada y completamente independiente la calidad del entrenamiento (más concretamente, la generalización), necesitamos tomar datos que aún no hayamos visto o utilizado en el entrenamiento.
Aquí en el probador no tenemos redes neuronales. El error se estima directamente en la sección de datos de la muestra. Así que no hay manera de transferir directamente los métodos de los nervios aquí. Aunque, tal vez xeon inventó algo aquí también con su TestCommander...
Para los especialmente dotados:
ver. Diccionarios y Enciclopedias en el ámbito académico: Especialmente dotados
P.D. Para los expertos en lengua rusa especialmente dotados: hay lagunas en la lengua rusa
Figar0:
Usted dice que está preparando los datos para la formación. ¿Podría ser más específico, cuánto tiempo lleva utilizando esas técnicas? Algo en tus palabras me resulta muy familiar, recuerdo que sugerí, al igual que en la rama sobre el contexto, preparar datos sintéticos con parámetros preliminares requeridos para la optimización, así puedes cambiar los parámetros de los datos y ver la respuesta del ST. Creo que en de como usted estaba de acuerdo conmigo, pero sugiriendo una opción ligeramente diferente a la mía: preparar datos de piezas reales de la historia, ¿es así?
preparar los datos para el entrenamiento en alguna regla es sólo introducir un filtro extra en el sistema.
Para los especialmente dotados: la no estacionariedad es la ausencia de regularidades estadísticas, como el pago esperado y la varianza.
Ponga las envolventes de Bollinger en el gráfico y verá cuáles son los "patrones" de no estacionariedad, porque el centro del indicador es la expectativa, y la distancia del centro a las envolventes es la dispersión.