Discusión sobre el artículo "Construya Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte II): Ajuste de redes neuronales profundas"
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
Artículo publicado Construya Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte II): Ajuste de redes neuronales profundas:
Los modelos de aprendizaje automático vienen con varios parámetros ajustables. En esta serie de artículos, exploraremos cómo personalizar sus modelos de IA para que se adapten a su mercado específico utilizando la biblioteca SciPy.
El algoritmo Nelder-Mead es una opción popular para problemas de optimización multimodales ruidosos, no diferenciables y no lineales. El algoritmo, que debe su nombre a sus inventores John Nelder y Roger Mead, se presentó en el artículo de 1965 titulado "Un método simplex para la minimización de funciones". Se puede utilizar para problemas de optimización tanto univariados como multivariados.
El algoritmo Nelder-Mead no se basa en información derivada; en cambio, es un algoritmo de optimización de búsqueda de patrones. Requiere que el usuario proporcione un punto de partida. Dependiendo del punto de partida elegido, el algoritmo podría quedar atrapado en un óptimo local engañoso. Por lo tanto, puede ser beneficioso realizar la optimización varias veces con diferentes puntos de partida para mejorar las posibilidades de encontrar un óptimo global.
El algoritmo funciona utilizando una forma geométrica llamada simplex. El simplex tiene un vértice para cada variable de entrada más un vértice adicional. Se evalúan los puntos (vértices) del simplex y se utilizan reglas simples para mover los puntos en función de sus evaluaciones. El algoritmo tiene ciertas condiciones de detención, como alcanzar el número máximo de iteraciones o lograr un cambio mínimo en los valores de evaluación. Si no se realizan mejoras o se excede el número permitido de iteraciones, el procedimiento de optimización se detiene.
Autor: Gamuchirai Zororo Ndawana