Bu kaosun bir düzeni var mı? Hadi bulmaya çalışalım! Belirli bir örnek üzerinde makine öğrenimi. - sayfa 12
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
Bu modelleri testteki en iyi modele göre mi seçiyorsunuz?
Ya da sınavda en iyi olan birçok kişi arasında sınavda da en iyi olan var mı?
Özellikle sınavda en iyi olanın seçilmesi söz konusuydu.
Özellikle sınavda en iyi olanın seçilmesi söz konusuydu.
Sınavda da en iyisini gösterdim. Gerçek ticarete geçmeden önce sınav olmayacak. Daha doğrusu gerçek para için olacak....
Şimdi ileriye doğru valking yaparak bir işaret seçimi yaptım (10000 ila 5000 ve sizinki gibi bir trayne ve bir test), sınavda ikisi de birleşiyor.
Seçimi bir şekilde testte yapmak gerekiyor, böylece öğrenilebilirlik sınavda korunuyor.
Sınavda da en iyisini gösterdim. Gerçek ticarete geçmeden önce sınav olmayacak. Daha doğrusu gerçek para için olacak....
Şimdi ileriye doğru valking yaparak bir işaret seçimi yaptım (10000'den 5000'e ve sizinki gibi bir trayne ve bir test), sınavda her ikisi de birleşiyor.
Sınavda öğrenilebilirliğin korunması için seçimi bir şekilde test üzerinde yapmak gerekir.
Şu anda ne yazık ki yalnızca doğru seçim olasılığını artırabilirsiniz. Bu nedenle, birçok model aynı anda seçildiğinde, ortalama doğruluğun yeterli olacağını ve ortalama bir kar elde edebileceğimi umarak toplu ticaret yapmayı düşünüyorum.
Yüz binlerce özelliğiniz arasından çalışan özellikleri bulmanız ve ardından bunların neden çalıştığını anlamanız gerekir. Ve daha sonra bunlar üzerinde bruteforcing ile değil, optimum hiperparametreleri seçerek farklı TC'ler yazmanız gerekir.
Yüz binlerce özelliğiniz arasından çalışan özellikleri bulmanız ve ardından bunların neden çalıştığını anlamanız gerekir. Sonra da bunların üzerine bruteforcing ile değil, optimal hiperparametreleri seçerek farklı TC'ler yazmanız gerekir.
Mesele şu ki, öngörücü etkinliğinin nedenini anlama görevi son derece zordur ve piyasa davranışı yorumlama alanında yatmaktadır, yoksa daha güvenilir bir yaklaşımınız var mı? Ayrıca, tahmin ediciler ilkel oldukları için bir grup içinde çalışırlar ve bir grup içinde çalışan tahmin edicilerin nasıl bir araya getirileceği basit bir soru değildir - şimdiye kadar açık olan bir karar ağacı kullanmaktır. Ve etkili karar ağaçları oluşturmak için, örneği önemli ölçüde azaltmanız ve daha iyisi, yalnızca muhtemelen etkili bir ilişki oluşturan tahmin edicileri beslemeniz gerekir. Ve burada model arama yöntemi çok faydalı olabilir, çünkü model kural olarak tahmin edicilerin sadece bir kısmını kullanır.
Uydurma ya da uydurmama - bence tüm olasılık uydurma eylemleri uydurmadır. Başka bir şey de, bu olasılıkların tahmin ediciler üzerindeki dağılımının geçmişinin tekrarlanabileceği veya uzun bir süre unutulabileceğidir. Ve burada bu aşamaların geçişini belirlemek için bazı yöntemlere sahip olmak önemlidir.
CatBoost ile kutudan çıktığı haliyle, aşağıdaki ayarlarla - Seed brute force ileeğitmek bu olasılık dağılımını verir.
1. Örnekleme treni
2. Test seçimi
3. Sınav örneği
Gördüğünüz gibi, model her şeyi neredeyse sıfıra göre sınıflandırmayı tercih ediyor, bu nedenle hata yapma şansı daha az.
Alexey, eğitim aslında uyum sağlamaktır, değil mi?
Alexei, eğitim aslında uyum sağlamaktır, değil mi?
Esasen, evet.
Bir test cihazında optimizasyon, algoritmanın üzerinde çalıştığı metrikleri değiştirmekle ilgilidir ve MO yöntemlerinde (ağaçlar ve türevleri, NS) öğrenme, metriklerin geçmişini değerlendirerek ve yorumlayarak algoritmayı değiştirmekle ilgilidir.
Simbiyoz, epik olacaktır.....
Alexei, eğitim aslında uyum sağlamaktır, değil mi?
Okul çocuklarına öğretmek de onların bilgilerini mevcut bilgilere uydurmaktır)
Mesele de bu zaten, tahmincilerin performansının nedenini anlama görevi son derece zor ve piyasa davranışını yorumlama alanına giriyor, yoksa daha sağlam bir yaklaşımınız var mı? Ayrıca, tahmin ediciler bir grup halinde çalışır, çünkü bunlar ilkeldir ve bir grup halinde çalışan tahmin edicilerin nasıl bir araya getirileceği basit bir soru değildir - şimdiye kadar açık olan bir karar ağacının kullanılmasıdır. Ve etkili karar ağaçları oluşturmak için, örneği önemli ölçüde azaltmanız ve daha iyisi, yalnızca muhtemelen etkili bir ilişki oluşturan tahmin edicileri beslemeniz gerekir. Ve burada model arama yöntemi çok faydalı olabilir, çünkü model kural olarak tahmin edicilerin sadece bir kısmını kullanır.
Uydurma ya da uydurma değil - bence tüm olasılık uydurma eylemleri uydurmadır. Bir başka şey de, bu olasılıkların tahmin ediciler üzerindeki dağılımının geçmişinin tekrarlanabileceği veya uzun bir süre unutulabileceğidir. Ve burada bu aşamaların geçişini belirlemek için bazı yöntemlere sahip olmak önemlidir.
Eğitim için 5 ila 10 kişilik küçük gruplar.
1-3 daha iyi.
Hiçbiri bir şey üretmiyorsa, aralarında efsanevi bir bağlantıdan bahsetmenin ne anlamı var? saçmalık + saçmalık...