Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 640
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Если серьезно - прошу не суетиться, Михаил. Момент ответственный. Если эта идея, неважно по какой причине (криворукости ли, или полнейшего одубения перед открывшимися возможностями) не проканает, то следующая такая снизойдет на сообщество трейдеров весьма и весьма нескоро. Абсолютно в этом уверен.
Держите меня семеро!!!! И отметьте этот день в календаре красным карандашом, потому как именно сегодня и скачал R и буду крутить его потихоньку..
На Сенсей, подгон от пацанов))) h2o.automl.
Погремуха средненькая, но все на автомате...
http://playground.tensorflow.org
визуализация обучения НС, похоже просто развлекаловка или как учебный пример
что-то у нее явные проблемы с классификацией спиральки :)
А такая архитектура уже может
это прям по Пуанкаре - если пространство признаков несвязное то нужно минимум 2 слоя, здесь уже был вопрос про это от elibrarius
А такая архитектура уже может
Так же скорость обучения делай меньше, когда начинает вибрировать сеть.
Прошлым летом игрался с этой штукой. Очень наглядная вещь.)
Максим, а как же отбор признаков? Ай-яй-яй.
Так же скорость обучения делай меньше, когда начинает вибрировать сеть.
Прошлым летом игрался с этой штукой. Очень наглядная вещь.)
ну да, если синусы поставить то и с 1 слоем может
С EMVC того что хотел не вышло, пакет делает не то что показалось при беглом чтении описания.
EMVC принимает таблицу с предикторами и таргетами (только классы. регрессию нельзя), и вычисляет вероятность того действительно ли принадлежит каждый обучающий пример к указанному классу. Можно таким образом найти строки в обучающей таблице которые противоречат большинству других обучающих примеров (выбросы, ошибки), и убрать их чтобы не путать модель при обучении.
Я предположил что можно найти набор предикторов который бы дал самые большие оценки вероятности, но найденные наборы предикторов были неудовлетворительными. С этим дальше экспериментировать не буду, для отбора предикторов есть более лучшие средства. Оценку кросс-энтропии увидеть нельзя, пакет хоть и использует это как-то внутри, но пользователю такой ответ не возвращает.
Зато получился интересный инструмент для отсева не предикторов, а обучающих примеров.
С EMVC того что хотел не вышло, пакет делает не то что показалось при беглом чтении описания.
EMVC принимает таблицу с предикторами и таргетами (только классы. регрессию нельзя), и вычисляет вероятность того действительно ли принадлежит каждый обучающий пример к указанному классу. Можно таким образом найти строки в обучающей таблице которые противоречат большинству других обучающих примеров (выбросы, ошибки), и убрать их чтобы не путать модель при обучении.
Я предположил что можно найти набор предикторов который бы дал самые большие оценки вероятности, но найденные наборы предикторов были неудовлетворительными. С этим дальше экспериментировать не буду, для отбора предикторов есть более лучшие средства. Оценку кросс-энтропии увидеть нельзя, пакет хоть и использует это как-то внутри, но пользователю такой ответ не возвращает.
Зато получился интересный инструмент для отсева не предикторов, а обучающих примеров.
Жаль.
В очередной раз Вы подтвердили мысль, что чудес не бывает, все приходится собирать по крупицам.
Можно таким образом найти строки в обучающей таблице которые противоречат большинству других обучающих примеров (выбросы, ошибки), и убрать их чтобы не путать модель при обучении.
А нужно ли это на форекс данных, где закономерности сложно найти? Мне кажется можно отсеять половину примеров такой программой. А выбросы можно более простыми спсобами искать: и не удалять, а например приравнивать к допустимому максимуму.