Teoride, rastgele ormanlarda küçük bir hata olmalıdır, çünkü karar ağaçlarında oluşturulduklarında, tüm değişkenler kullanılır ve sinir ağlarında olduğu gibi bellek kullanımında - nöronların sayısında - herhangi bir kısıtlama yoktur. Burada, seviyeyi sınırlama, ağaçları budama veya torbalama gibi sonucu "bulanıklaştırmak" için yalnızca bireysel işlemleri kullanabilirsiniz. Alglib'in MQ uygulamasında kırpma olup olmadığını bilmiyorum, torbalama var
bu değişken 1'den küçük yapılırsa hata artmalıdır.
öyle, ancak hata yukarıda açıklandığı gibi hala ortalama olarak gösterildi .. şimdi normal
Teoride, rastgele ormanlarda küçük bir hata olmalıdır, çünkü karar ağaçlarında oluşturulduklarında, tüm değişkenler kullanılır ve sinir ağlarında olduğu gibi bellek kullanımında - nöronların sayısında - herhangi bir kısıtlama yoktur. Burada, seviyeyi sınırlama, ağaçları budama veya torbalama gibi sonucu "bulanıklaştırmak" için yalnızca bireysel işlemleri kullanabilirsiniz. Alglib'in MQ uygulamasında kırpma olup olmadığını bilmiyorum, torbalama var
bu değişken 1'den küçük yapılırsa hata artmalıdır.
Andrey Kisselev : hatanın @Maxim Dmitrievsky kadar küçük olması için 500000000000000 için 1 yanlış işlem yapmanız gerekir ki bu hiçbir enstrümanda mümkün değildir.
Samimi olarak.
Ve burada anlaşmalar var, size her karar ağacının pratik olarak tüm kalıpları hatırladığını ve örneğin %100'ü ile eğitim setinde hiç hata olmayabileceğini anlatıyorum, yani. R=1.
Evet, bu bir fazlalık, ancak algoritma böyle çalışıyor, bu yüzden rastgele ormanlarda her türlü hileyi kullanıyorlar.
Ve burada anlaşmalar var, size her karar ağacının pratikte tüm kalıpları hatırladığı ve örneğin %100'ünde hiç hata olmayabileceği gerçeğini anlatıyorum, yani. R=1.
bunun için modeli değerlendirmek için çantadan dışarı bakmanız gerekir, ancak daha sonra r = 0.66 max set evet
Ve burada anlaşmalar var, size her karar ağacının pratikte tüm kalıpları hatırladığını ve %100 bir örneklemle hiç hata olmayabileceğini anlatıyorum, yani. R=1.
Ormanın nasıl çalıştığına girmedim. ama sözlerinize dayanarak, her ağacın daha sonra tekrarlanamayacak bir tür deseni hatırladığını anlıyorum. aynı zamanda, buna göre (tekrar olmadığı için), artı olarak çalışma olasılığının ne olduğunu söyleyemeyiz ve bir aksiyom olarak, olasılığını 0,5 olarak almak yerine 1 olarak alıyoruz, çünkü esasen bilinmiyor. dolayısıyla ormanın pratikte yanılmadığını anlıyoruz (sözlerinden).
öyle, ancak hata yukarıda açıklandığı gibi hala ortalama olarak gösterildi .. şimdi normal
Bu arada, r'de o.1 oranında bir azalma olsa bile, hata çok iyidir. büyük ölçüde artar. Üst r 0,9 alt 0,8
r = 0.66'da (RF'nin klasik versiyonunda olduğu gibi)
Ve sonuçlar gösteriyor ki Tablo. çarpma zaten kötü bir şekilde çözüyor
NS sinyali için eşiği yükselttiğimde, gerekli giriş verilerinin miktarını artırarak bunu telafi ettim, sonuç olarak hata azaldı, ancak giriş için daha az seçenek vardı.
Andrey Kisselev : Ormanın nasıl çalıştığına girmedim. ama sözlerinize dayanarak, her ağacın daha sonra tekrarlanamayacak bir tür deseni hatırladığını anlıyorum. aynı zamanda, buna göre (tekrar olmadığı için), artı olarak çalışma olasılığının ne olduğunu söyleyemeyiz ve bir aksiyom olarak, olasılığını 0,5 olarak almak yerine 1 olarak alıyoruz, çünkü esasen bilinmiyor. dolayısıyla ormanın pratikte yanılmadığını anlıyoruz (sözlerinden).
Samimi olarak.
R=1, her ağacın tüm eğitim modellerini hatırladığı anlamına gelir ve 0.66, yalnızca %66 olduğu anlamına gelir ve her ağaç, geri dönüşlü kalıpları seçer, yani. aynı desenler ormanın birçok ağacında tekrarlanabilir.
Andrey Kisselev : NS sinyali için eşiği yükselttiğimde, gerekli giriş verilerinin miktarını artırarak bunu telafi ettim, sonuç olarak hata azaldı, ancak giriş için daha az seçenek vardı.
Samimi olarak.
Eh, burada soru zaten doğru özelliklerde ve hedefte, çarpım tablosundan daha basit görünse de, orada bile hata küçük değil
MQL5.com web sitesine giriş yapmak için çerezlerin kullanımına izin vermelisiniz.
Lütfen tarayıcınızda gerekli ayarı etkinleştirin, aksi takdirde giriş yapamazsınız.
Hesabınıza giriş yaptınız. İki faktörlü kimlik doğrulama devre dışı bırakıldı. Yeniden kurup yeni bir QR kodu tarayın veya iki faktörlü kimlik doğrulama devre dışıyken devam edin.
Teoride, rastgele ormanlarda küçük bir hata olmalıdır, çünkü karar ağaçlarında oluşturulduklarında, tüm değişkenler kullanılır ve sinir ağlarında olduğu gibi bellek kullanımında - nöronların sayısında - herhangi bir kısıtlama yoktur. Burada, seviyeyi sınırlama, ağaçları budama veya torbalama gibi sonucu "bulanıklaştırmak" için yalnızca bireysel işlemleri kullanabilirsiniz. Alglib'in MQ uygulamasında kırpma olup olmadığını bilmiyorum, torbalama var
bu değişken 1'den küçük yapılırsa hata artmalıdır.
öyle, ancak hata yukarıda açıklandığı gibi hala ortalama olarak gösterildi .. şimdi normal
Bu arada, r'de o.1 oranında bir azalma olsa bile, hata çok iyidir. büyük ölçüde artar. Üst r 0,9 alt 0,8
r = 0.66'da (RF'nin klasik versiyonunda olduğu gibi)
Ve sonuçlar gösteriyor ki Tablo. çarpma zaten kötü bir şekilde çözüyor
Teoride, rastgele ormanlarda küçük bir hata olmalıdır, çünkü karar ağaçlarında oluşturulduklarında, tüm değişkenler kullanılır ve sinir ağlarında olduğu gibi bellek kullanımında - nöronların sayısında - herhangi bir kısıtlama yoktur. Burada, seviyeyi sınırlama, ağaçları budama veya torbalama gibi sonucu "bulanıklaştırmak" için yalnızca bireysel işlemleri kullanabilirsiniz. Alglib'in MQ uygulamasında kırpma olup olmadığını bilmiyorum, torbalama var
bu değişken 1'den küçük yapılırsa hata artmalıdır.
500000000000000 için 1 yanlış işlem yapmanız gerekir ki bu hiçbir enstrümanda mümkün değildir.
Samimi olarak.
hatanın @Maxim Dmitrievsky kadar küçük olması için
500000000000000 için 1 yanlış işlem yapmanız gerekir ki bu hiçbir enstrümanda mümkün değildir.
Samimi olarak.
Ve burada anlaşmalar var, size her karar ağacının pratik olarak tüm kalıpları hatırladığını ve örneğin %100'ü ile eğitim setinde hiç hata olmayabileceğini anlatıyorum, yani. R=1.
Evet, bu bir fazlalık, ancak algoritma böyle çalışıyor, bu yüzden rastgele ormanlarda her türlü hileyi kullanıyorlar.
Ve burada anlaşmalar var, size her karar ağacının pratikte tüm kalıpları hatırladığı ve örneğin %100'ünde hiç hata olmayabileceği gerçeğini anlatıyorum, yani. R=1.
bunun için modeli değerlendirmek için çantadan dışarı bakmanız gerekir, ancak daha sonra r = 0.66 max set evet
Ve burada anlaşmalar var, size her karar ağacının pratikte tüm kalıpları hatırladığını ve %100 bir örneklemle hiç hata olmayabileceğini anlatıyorum, yani. R=1.
Samimi olarak.
bunun için modeli değerlendirmek için çantadan dışarı bakmanız gerekir, ancak daha sonra r = 0.66 max set evet
Muhtemelen seçmek gerekiyor, ancak bir torbalama tahmin için çok güçlü bir teknoloji değil - IMHO
peki şimdiye kadar neyle zenginler.. :) o zaman normal bir lib'i diplerning ile bağlasam izlerim
ama hız!
öyle, ancak hata yukarıda açıklandığı gibi hala ortalama olarak gösterildi .. şimdi normal
Bu arada, r'de o.1 oranında bir azalma olsa bile, hata çok iyidir. büyük ölçüde artar. Üst r 0,9 alt 0,8
r = 0.66'da (RF'nin klasik versiyonunda olduğu gibi)
Ve sonuçlar gösteriyor ki Tablo. çarpma zaten kötü bir şekilde çözüyor
Samimi olarak.
Ormanın nasıl çalıştığına girmedim. ama sözlerinize dayanarak, her ağacın daha sonra tekrarlanamayacak bir tür deseni hatırladığını anlıyorum. aynı zamanda, buna göre (tekrar olmadığı için), artı olarak çalışma olasılığının ne olduğunu söyleyemeyiz ve bir aksiyom olarak, olasılığını 0,5 olarak almak yerine 1 olarak alıyoruz, çünkü esasen bilinmiyor. dolayısıyla ormanın pratikte yanılmadığını anlıyoruz (sözlerinden).
Samimi olarak.
NS sinyali için eşiği yükselttiğimde, gerekli giriş verilerinin miktarını artırarak bunu telafi ettim, sonuç olarak hata azaldı, ancak giriş için daha az seçenek vardı.
Samimi olarak.
Eh, burada soru zaten doğru özelliklerde ve hedefte, çarpım tablosundan daha basit görünse de, orada bile hata küçük değil