Trouver un ensemble d'indicateurs pour alimenter les entrées du réseau neuronal. Discussion. Un outil d'évaluation des résultats. - page 6
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
joo писал(а) >>
rip et IlyaA ne semblent pas comprendre qu'iliarr utilise une méthode d'enseignement sans professeur. De quel type d'erreur d'apprentissage peut-on parler si la fonction cible est le profit ? Ou pensez-vous tous les deux qu'après avoir entraîné le réseau sur l'historique, vous l'exécuterez sur un historique de test et comparerez le bénéfice obtenu ? Le bénéfice sera différent, moins ou plus, mais différent. L'historique des tests est différent. Ne pas confondre avec l'approximation s'il vous plaît, où le critère de la qualité de l'approximation est l'écart-type de la fonction originale et de celle obtenue.
Qu'est-ce que MSE a à voir là-dedans ! L'estimation de la justesse du réseau selon l'idée de l'auteur est la fonction de profit. C'est-à-dire que des positions longshort sont ouvertes et que le trade.Profit est calculé par rapport à elles ou en les utilisant - cela peut être vu dans le code. Ok, alors la question est simplement de voir comment un individu se comporte dans un échantillon test, qui est considéré comme le meilleur dans une génération donnée. Pourquoi est-ce important, le bénéfice est compté par rapport à l'échantillon de formation. Et qui peut dire qu'il se comportera de la même manière sur des échantillons qui n'ont pas été présentés au réseau.
Quelle que soit la méthode d'entraînement du réseau, avec ou sans enseignant, un échantillon de test avec un résultat connu nous permet d'estimer le degré de surentraînement.
Sinon, nous revenons au "chamanisme" : quelque chose a été donné au réseau, quelque chose a été reçu, et maintenant nous interprétons le résultat.
Le bénéfice f-from ne peut pas être utilisé comme une estimation de l'exactitude du travail d'un réseau. Le facteur de profit décrit uniquement un réseau du point de vue de la capacité d'un conseiller expert à réaliser le plus grand profit possible. Nous ne pouvons pas en dire plus sur l'exactitude d'un réseau. Pensez-y : pendant une certaine période, il est possible de réaliser le même bénéfice de plusieurs manières différentes. Chaque trader se préoccupe surtout de savoir dans quel sens. Par exemple, l'abaissement relatif maximal ou d'autres critères d'évaluation du TS peuvent être utilisés pour évaluer les performances du réseau. C'est-à-dire que l'auteur doit maximiser le bénéfice f-from sur l'échantillon d'entraînement, le tester sur un échantillon de test et l'estimer en utilisant les paramètres décrits ci-dessus. Si vous optimisez un conseiller expert Makdi standard, par exemple, allez-vous également sélectionner la variante présentant le bénéfice maximal ?
Quelle que soit la méthode d'entraînement du réseau, avec ou sans enseignant, un échantillon de test avec un résultat connu permet d'évaluer le degré de surentraînement.
Sinon, nous en revenons au "chamanisme" : nous avons donné quelque chose au réseau, nous avons obtenu quelque chose, et maintenant nous interprétons le résultat.
Comment obtiendrez-vous un résultat connu sur un échantillon d'essai si la fonction de profit est utilisée ?
Cher joo, je te demande de ne pas discuter du comportement ou des pensées d'autres personnes, surtout si la personne ne t'est pas familière.....
Je m'excuse si j'ai donné l'impression de discuter du comportement ou des pensées de quelqu'un d'autre, je ne voulais pas être personnel. Encore une fois, je suis désolé si c'était le cas.
Je vous demande également de répondre à cette question. Pensez-vous qu'un réseau s'adaptera aux données s'il est entraîné avec de la génétique ? S'adapter et ne pas généraliser ?
La capacité d'un réseau neuronal à s'adapter à n'importe quoi ne dépend pas de la génétique. La génétique n'est qu'une des méthodes d'optimisation. La clé réside dans les données présentées, dans la topologie du réseau, dans les méthodes d'estimation du résultat.
La capacité d'un réseau neuronal à s'adapter à n'importe quoi ne dépend pas de la génétique. La génétique n'est qu'une des méthodes d'optimisation. Le point clé réside dans les données présentées, dans la topologie d'un réseau, dans les méthodes d'estimation du résultat.
Eh bien, je suis content que ce soit si convivial. En conséquence, la logique veut que s'il n'y a pas de courbe d'erreur d'apprentissage, il y a une courbe d'efficacité d'apprentissage. Dans ce cas, le public doit s'y intéresser. D'accord.Par conséquent, la logique est la suivante : s'il n'y a pas de courbe d'erreur d'apprentissage, alors il y a une courbe d'efficacité d'apprentissage. Dans ce cas, le public doit s'y intéresser. >> Je suis d'accord.
Ma logique est la suivante :
Par analogie avec le monde animal. Un cerf et un loup vivent dans une forêt. Tous deux pèsent 80 kg. Un cerf grignote de l'herbe 24 heures sur 24, tandis qu'un loup mange la moitié d'un élan et ne mange pas pendant quinze jours. Leur apport calorique moyen est le même. Mais la façon dont ils obtiennent leur nourriture est différente.
Tout comme TC. Nous devons choisir comment le bénéfice sera obtenu, et par conséquent choisir les critères d'évaluation du CT, et dans le contexte de cette branche - NN.
Ma logique est la suivante :
Par analogie avec le monde animal. Il y a un cerf et un loup qui vivent dans la forêt. Ils pèsent tous les deux 80 kilos. Un cerf grignote de l'herbe 24 heures sur 24, tandis qu'un loup mange la moitié d'un élan et ne mange pas pendant quinze jours. Leur apport calorique moyen est le même. Mais la façon dont ils obtiennent leur nourriture est différente.
Tout comme TC. Nous devons choisir comment obtenir le profit, et par conséquent choisir les critères d'évaluation du CT, et dans le contexte de cette branche - NN.
Vous évaluez les performances du réseau du point de vue du CT. Je regarde le réseau lui-même, sans référence au CT. Le réseau n'est qu'un mécanisme d'analyse des données et rien de plus.
Mais en utilisant votre allégorie, je veux voir un graphique où un cerf et un loup prennent du poids séparément (cette formation) dans un zoo, et aussi un graphique où un cerf et un loup prendront du poids, si nous disons qu'ils sont relâchés dans la nature (test), eh bien, dans un parc national, où ils seront surveillés par des gardes forestiers. Sur cette base, il serait possible de construire une hypothèse sur leur comportement dans la nature %)
Vous évaluez les performances du réseau du point de vue du CT. Je regarde le réseau lui-même, sans référence au CT. Le réseau n'est qu'un mécanisme d'analyse des données et rien de plus.
Mais en appliquant votre allégorie, j'aimerais voir un graphique de la façon dont le cerf et le loup prennent du poids séparément (c'est un entraînement) dans un zoo, et aussi un graphique de la façon dont ces mêmes cerfs et loups prendront du poids, si nous disons qu'ils sont relâchés dans la nature (test), eh bien, dans un parc national, où ils seront surveillés par des gardes-chasse. Sur cette base, il sera possible d'émettre une hypothèse sur leur comportement dans la nature %)
il n'y a pas grand chose qui cloche. Nous devons estimer d'une manière ou d'une autre que si nous élevons un faon, nous nous retrouvons avec un beau cerf, pas un loup. C'est-à-dire d'évaluer non pas le taux et le volume de la prise alimentaire, mais l'appartenance à l'espèce recherchée. Peut-être pour effectuer une classification, en substance, pour déterminer la "similitude" de la courbe de consommation avec celle de référence. Et c'est une tâche distincte et difficile.
rip 10.11.2009 23:18
Quelle que soit la méthode utilisée pour entraîner le réseau, avec ou sans professeur, un échantillon de test avec un résultat connu permet d'évaluer le degré de surentraînement.
Sinon, nous revenons au "chamanisme" : nous avons donné quelque chose au réseau, nous avons reçu quelque chose, et maintenant interprétons le résultat.
Une observation parfaitement légitime. Pour cela, je décharge un neurone entraîné dans un conseiller expert MT4 pour vérifier ce que j'ai obtenu dans le testeur de stratégie MT4.
La citation est tirée du tout premier message du sujet :
iliarr 09.11.2009 13:13
J'exporte le réseau formé vers le conseiller expert MQL4 et je vérifie sa fonctionnalité dans le testeur de stratégie de MT4. Je vais former des entrées pour le réseau neuronal dans l'indicateur MT4 et les exporter vers un fichier.
Et prêt à poster ces téléchargements ici, afin d'évaluer la qualité des données alimentant le réseau. Je suggère de choisir la plage M5 du 1-08-2009 au 1-10-2009 et d'enseigner des réseaux neuronaux similaires sur celle-ci de la même manière. Cette méthode n'a pas la prétention d'être absolument exacte, mais je pense qu'elle fera l'affaire pour la comparaison.
Vous évaluez les performances du réseau du point de vue du CT. Je regarde le réseau lui-même, sans référence au CT. Le réseau n'est qu'un mécanisme d'analyse des données et rien de plus.
Mais en appliquant votre allégorie, j'aimerais voir un graphique de la façon dont le cerf et le loup prennent du poids séparément (c'est un entraînement) dans un zoo, et aussi un graphique de la façon dont ces mêmes cerfs et loups prendront du poids, si nous disons qu'ils sont relâchés dans la nature (test), eh bien, dans un parc national, où ils seront surveillés par des gardes-chasse. Sur cette base, nous pouvons faire une hypothèse sur la façon dont ils se comporteront dans la nature %)
Pendant la formation, un journal est tenu comme suit :
Si la fonction cible est plus grande que la fonction actuelle, le réseau neuronal est déchargé dans un fichier et la ligne suivante du journal est écrite. Je ne pense pas que ce soit la réponse à votre question, mais je ne vois pas l'intérêt de conserver d'autres statistiques.