Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 29): Темпы обучения и многослойные перцептроны"
Уважаемый Стивен,
Спасибо, что поделились своими знаниями и работой над этой торговой системой!
Я с большим интересом следил за вашей статьей. Однако, когда я скачал приложенный Вами zip-файл, он состоял только из:
1. Cmlp_ad.mqh
2. SignalWZ_29.mqh
3. mlp_learn_r.mq5
а внутри mlp_learn_r.mq5 требуются следующие файлы:
1 . Expert.mqh
2. TrailingNone.mqh
3. MoneyFixedMargin.mqh
Могу ли я узнать, как мы можем получить их?
Без них... советник не работает.
Спасибо! Я очень благодарен!
Уважаемый Стивен,
Спасибо, что поделились своими знаниями и работой над этой торговой системой!
Я с большим интересом следил за вашей статьей. Однако, когда я скачал приложенный Вами zip-файл, он состоял только из:
1. Cmlp_ad.mqh
2. SignalWZ_29.mqh
3. mlp_learn_r.mq5
а внутри mlp_learn_r.mq5 требуются следующие файлы:
1 . Expert.mqh
2. TrailingNone.mqh
3. MoneyFixedMargin.mqh
Могу ли я узнать, как мы можем получить их?
Без них... советник не работает.
Спасибо! Я очень благодарен!
Они уже есть в папке MQL include, нужно добавить заголовок
#include <Expert\Expert.mqh> #include <Expert\Trailing\Expert.mqh> #include <Expert\Money\MoneyFixedMargin.mqh>
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 29): Темпы обучения и многослойные перцептроны:
Мы завершаем рассмотрение чувствительности темпа обучения к производительности советников изучением адаптируемых темпов обучения. Темпы должны быть настроены для каждого параметра в слое в процессе обучения, поэтому нам необходимо оценить потенциальные преимущества по сравнению с ожидаемыми потерями производительности.
Мы завершаем наш обзор различных форматов темпа обучения применительно к производительности советника рассмотрением адаптивного темпа обучения и темпа обучения одного цикла. Формат этой статьи будет соответствовать подходу, который мы использовали в предыдущей статье - отчеты тестирования будут располагаться отдельно по разделам, посвященным разным форматам, а не в конце статьи.
Прежде чем перейти к делу, я хотел бы упомянуть некоторые другие важные аспекты машинного обучения, которые могут существенно повлиять на эффективность модели. Одним из них является пакетная нормализация входных данных. Я уже касался этого в предыдущих статьях, объясняя, почему это важно, однако в нашей следующей статье мы подробно рассмотрим этот вопрос. Однако на данный момент при проектировании режима и формата сети пакетная нормализация рассматривается совместно с алгоритмами активации, которые будут использоваться моделью или сетью. До сих пор мы использовали активацию soft plus, которая имеет тенденцию давать несвязанные результаты, то есть в отличие от активаций TANH или Sigmoid, которые дают результаты в диапазонах от -1,0 до +1,0 и от 0,0 до 1,0 соответственно, soft plus может довольно часто выдавать результаты, которые не проходят проверку на корректность действительного числа и, таким образом, делают процесс обучения и прогнозирования недействительным.
Автор: Stephen Njuki