Aprendizagem de máquinas para robôs - página 5
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
É claro que eu tentei, e não apenas eu, por exemplo, no tópico sobre MO, há quem fez isso, repetindo o mantra sobre lixo na entrada e aparentemente esquecendo que o lixo na saída formal quando o treinamento com um professor não é muito melhor, enquanto a seleção e o embaralhamento de vetores de características não poupa do excesso de adaptação.
Estou tentando marcar os sinais manualmente, mas o sistema deve ser distribuído igualmente, ou devo marcar apenas as entradas com lógica?
Como a rede lida com a não-estacionariedade? E ela lida com ela, por exemplo, o tamanho de um e o mesmo padrão pode ser de 15 barras ou 150?
Estou tentando marcar os sinais manualmente, mas o sistema deve ser distribuído igualmente, ou devo marcar apenas as entradas com lógica?
Como a rede lida com a não-estacionariedade? E ela lida com ela, por exemplo, o tamanho de um e o mesmo padrão pode ser de 15 barras ou 150?
Agora para organizar e discutir experiências:
Por que é tão complicado. Isso pode ser feito de uma maneira muito mais simples.
Muitos negócios são gerados aleatoriamente na história. Muitos deles são bem-sucedidos e muitos não são. Sobre esta amostra, ensinamos o sistema com métodos de MO. MO irá classificá-lo e encontrar padrões.
Eu o fiz em uma seqüência de ~10 mil negócios. Mesmo um sistema simples com MO está aprendendo bem e no teste ele mostra 80-85% das operações bem sucedidas. O que já é muito estranho para um simples MO, pois simplesmente não é capaz de lembrar que muitos ofícios - a única explicação é que o MO realmente encontra e generaliza alguns padrões.
Sim, mas todos esses milagres são observados apenas em uma seqüência de treinamento).
Por que ser tão complicado? Isso pode ser feito de uma maneira muito mais simples.
Muitos negócios são gerados aleatoriamente sobre a história. Muitos deles são bem sucedidos, muitos não são. Sobre esta amostra, treinamos o sistema com os métodos de MO. MO irá classificá-lo e encontrar padrões.
Eu o fiz em uma seqüência de ~10 mil negócios. Mesmo um sistema simples com MO está aprendendo bem e no teste ele mostra 80-85% das operações bem sucedidas. O que já é muito estranho para um simples MO, pois ele simplesmente não consegue lembrar que muitos ofícios - a única explicação para isso é que o MO realmente encontra e generaliza alguns padrões.
Sim, mas todos esses milagres são observados apenas em uma seqüência de treinamento).
Bem, sim, a superposição total da seqüência de treinamento pode ser de 100%, mas a tarefa não é memorizar, mas generalizar e alcançar resultados no futuro.
É por isso que no experimento é sugerido treinar não em negócios aleatórios ou todos os possíveis lucrativos, mas em negócios (sinais) filtrados das leituras de qualquer indicador.
Assim, todos os sinais já conterão uma dependência formalizada com a BP, e a rede neural só terá que determiná-la e estabelecer um padrão de exclusão de sinais ruins que não estejam incluídos na amostra.
Por que ser tão complicado? Isso pode ser feito de uma maneira muito mais simples.
Muitos negócios são gerados aleatoriamente sobre a história. Muitos deles são bem sucedidos, muitos não são. Sobre esta amostra, treinamos o sistema com os métodos de MO. MO irá classificá-lo e encontrar padrões.
Eu o fiz em uma seqüência de ~10 mil negócios. Mesmo um sistema simples com MO está aprendendo bem e no teste ele mostra 80-85% das operações bem sucedidas. O que já é muito estranho para um simples MO, pois simplesmente não é capaz de lembrar que muitos ofícios - a única explicação é que o MO realmente encontra e generaliza alguns padrões.
Sim, mas todos esses milagres só são observados em uma seqüência de aprendizado).
seu conhecimento de MO ainda tende a zero, infelizmente
para que sua rede neural interna ainda não possa chegar a um consenso sobre o que está em jogoseu conhecimento do MoD ainda está, infelizmente, em zero.
É por isso que sua rede neural interna ainda não pode chegar a um consenso: de que vale a pena fazer isso?Não fique tão entusiasmado, Maxim). Todos já sabem que a única coisa mais dura do que você é a coragem.
Bem, sim, no treinamento de um com super ajuste total pode ser 100%, mas a tarefa não é memorizar, mas generalizar e obter resultados em um mercado a termo.
É por isso que no experimento é sugerido treinar não em negócios aleatórios ou todos os possíveis lucrativos, mas em negócios (sinais) filtrados das leituras de qualquer indicador.
Assim, todos os sinais já conterão uma dependência formalizada com a BP, e a rede neural só terá que determiná-la e estabelecer um padrão de exclusão de sinais ruins que não estejam incluídos na amostra.
Com uma dimensão de amostra de treinamento muito maior do que a dimensão NS, a reciclagem é quase irrealista.
Com amostras pequenas, a reciclagem é alcançada em uma contagem de vezes. Digamos que lhe foram dados 200 ofícios reais.
Com uma dimensão de amostra de treinamento muito maior do que a dimensão NS, a reciclagem é quase irrealista.
Com amostras pequenas, a reconversão é conseguida em uma contagem de uma vez. Digamos que lhe foram dados 200 ofícios reais.
Depende dos dados, parâmetros e tipo de modelo, por exemplo, nas árvores o número de níveis é dinamicamente aumentado, como na minha rede o número de neurônios, embora haja um limite de densidade condicional de informação, mas é determinado apenas pela amostra de treinamento, você pode fazer podas, comitês, etc.
E o aprendizado excessivo, não é necessariamente lembrar todas as amostras, é simplesmente lembrá-las sem generalização, por exemplo, na presença de informações contraditórias que são substituídas e que não podem ser calculadas como médias.
Depende dos dados, parâmetros e tipo de modelo, por exemplo, em árvores o número de níveis aumenta dinamicamente, assim como em minha rede o número de neurônios, embora haja um limite de densidade de informação condicional, mas é determinado apenas pela amostra de treinamento, você pode fazer podas, comitês, etc.
E o aprendizado excessivo, não é necessariamente memorizar todas as amostras, é simplesmente memorizá-las sem generalização, por exemplo, na presença de informações contraditórias que são substituídas e que não podem ser calculadas como média.
Por que não baixamos alguma estratégia super-duper do Mercado, executamos no testador (confiamos no testador) e aplicamos os resultados para NS, RF, SVM ou outra coisa. E não temos que esperar - nós tentamos na demonstração e vemos os resultados.
Por que não fazer o seguinte para a experiência: faça o download de alguma estratégia super-duper do Market, execute-a no testador (confiamos no testador), e envie os resultados para NS, RF, SVM ou outra coisa. E não temos que esperar - nós tentamos na demonstração e vemos os resultados.
Portanto, você não pode, compilado com moderador de proteção rejeitará porque você precisa da fonte, e a fonte rejeitará porque é necessário proteger os direitos do vendedor - o círculo vicioso funciona :))
Mas não há nada de surpreendente aqui, porque o status legal dos robôs de diferentes profissões e no ambiente do objeto, até agora, é pobre...