Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3360
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Kampanya falan yapmıyorum. Pek çok yaklaşım var, soru MO'nun bilgisi hakkındaydı
Ben şahsen modelin cevabını bir sınıfın dışarıda kalma olasılığı ile ilişkilendirmedim, bunu modelin sınıf tanımına olan güveni olarak alıyorum. Güven yapraklarla sayılır ve yapraklar eğitim örneği ile sayılır. Burada tek bir yaprak sınıf bırakma olasılığını gösterecektir. Her yaprağın örnekteki tüm noktalarda yanıtları olmadığından, olasılıkların toplamının modelin nihai yanıtında çarpıtıldığı ortaya çıkıyor. Belki de bu düzeyde düzeltmenin bir yolu vardır - ve ben bununla ilgileniyorum - tartışmayı bu yöne çevirmeye çalıştım.
Bence çözüm.... yaprakları benzer tepki noktalarına göre gruplamak ve grupların ortalama özet sonuçlarını daha fazla dönüştürmektir.
Ben şahsen modelin yanıtını sınıfı terk etme olasılığıyla ilişkilendirmedim, ancak modelin sınıf tespitindeki güveni olarak aldım. Güven yapraklara dayanır ve yapraklar da eğitim örneğine dayanır. Burada tek bir yaprak sınıf bırakma olasılığını gösterecektir. Her yaprağın örnekteki tüm noktalarda yanıtları olmadığından, olasılıkların toplamının modelin nihai yanıtında çarpıtıldığı ortaya çıkmaktadır. Belki de bu seviyede düzeltmenin bir yolu vardır - ve ben bununla ilgileniyorum - tartışmayı bu yöne çevirmeye çalışıyordum.
Bence çözüm.... yaprakları benzer yanıt noktalarına göre gruplandırmak ve grupların ortalama özet sonuçlarını daha da dönüştürmektir.
Kusura bakmayın ama kütüphanelere, defterlere veya makalelere atıfta bulunmadan, kabaca şu şekilde algılıyorum
Üzgünüm ama kütüphanelere, defterlere veya makalelere bağlantılar olmadan, bunu hala kabaca şöyle anlıyorum
İhtiyacın olan tek şey paketler.
Keşke çantalarınız olsaydı.
Herhangi bir sınıflandırıcıyı CV yöntemiyle kalibre ettikten sonra, bu modelin potansiyelini hemen görebilirsiniz. Eğer hiçbir şey yapamıyorsa, bu işlemden sonra olasılıklar 0,5 civarında kümelenir. Ancak bundan önce kendine aşırı güveniyordu. Böyle bir modelle daha fazla uğraşmak hiç ilgi çekici değildir. Geliştirilemez. Yani, normal olarak kalibre bile edilemez, balık yoktur. Oldukça kullanışlı.
Sizin deyiminizle bir "kuantum kesimi", olası bir kar sağlayacağı bir aralık veya kutu yoktur.
Tamam, son olarak, konuyu kapatmak için. Sigmoid kalibrasyonunu metac'a aktarmayı başardım.
Verilen: yeniden eğitilmiş gradyan bousting, daha sonra bu duruma kalibre edildi:
Eşik 0.5'te her şey açık, OOS'un nerede olduğunu görebilirsiniz:
Eşiği çalıştırıyorum ve optimizasyonu durduruyorum:
Her türlü varyasyonu elde ediyorum, en iyisi 0.75-0.85 eşiklerinde. Yeni verilerde bile birazcık dışarıda kalıyor, ancak 0,5'lik bir eşikte normal varyantlar yok.
Oldukça eğlenceli bir oyuncak.
CV yöntemini kullanarak herhangi bir sınıflandırıcıyı kalibre ettikten sonra, bu modelin potansiyeli hemen görülebilir. Eğer hiçbir şey yapamıyorsa, bu işlemden sonra olasılıklar 0,5 civarında toplanır. Gerçi bundan önce kendine aşırı güveniyordu. Böyle bir modelle daha fazla uğraşmanın hiçbir yararı yoktur. Geliştirilemez. Yani, normal olarak kalibre bile edilemez, balık yoktur. Çok kullanışlı.
Sizin deyiminizle tek bir "kuantum kesintisi", olası bir kâr sağlayacağı tek bir aralık veya kutu yoktur.
Model taramasını otomatikleştirmenize izin veriyorsa, bu zaten iyi bir şey.
Modelin 0,05'lik bir adımla olasılık-güven endeksine göre bir görselleştirmesine sahibim ve orada her şeyi bir kerede görebiliyorum. Önemli olan, sonucun eğitim örneği ve diğerleri üzerindeki dönüşümüdür - orada olasılıklar sürünüyor, bu yüzden temsil edilemezlikten bahsediyorum. Bu yüzden kalibrasyonu bizim durumumuzda etkisiz bir önlem olarak görüyorum. Modellerinizde örnekten örneğe güçlü bir yanlılık yoksa, bu oldukça şaşırtıcıdır.
Ayrıca, az eğitimli bir modelin dar bir aralıkta olasılıklar üreteceğini de belirtmek isterim.
Normal olarak eğitilmiş bir model genellikle tam olarak güçlü güven bölgelerinde yer alacaktır - bu nedenle bir sınıflandırma eşiği değil, bir pencere belirlemek mantıklıdır - örneğin, 0,55 ila 0,65 arasında döndürülen sınıfı bir birim olarak kabul edin ve geri kalanını göz ardı edin. Uçlarda model kendinden emindir, ancak genellikle çok az gözlem vardır, bu nedenle istatistiksel anlamlılık küçüktür.
Savunma Bakanlığı'nın beyleri!
Buna değer mi?
Algoritmamı alıyorum - Genel Tartışma - MQL5
Hala bozulmamış durumdayken, en iyi şekilde değerlendirin. Kimse ne dediğinizi anlamıyor.
Hadi)))))) Yeni Yılınız Kutlu Olsun))))
Gerçek değişmedi))))
Evet iyi)))))) Yeni Yılınız Kutlu Olsun))))
Gerçek değişmedi)))))