交易中的机器学习：理论、模型、实践和算法交易 - 页 1139 1...113211331134113511361137113811391140114111421143114411451146...3399 新评论 Aleksey Vyazmikin 2018.11.01 14:45 #11381 pantural: 是的，这个错误无疑是值得报告的，你介意我用你的报告作为例子吗？不管你怎么看，配合都是很到位的，问题是如何把它减少到一个可接受的水平。当然，你可以使用它，这个报告中没有任何有价值的东西! 关于拟合，在这里我想该怎么做，一方面用有限的组合在历史上获得的叶子的形式应该减少拟合的影响，但另一方面我看到60%的叶子在训练样本上工作，在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。 大量的预测器就像天空中大量的星星，由于它们的集群可以得出一堆不同的星座，从其他太阳系的行星上是看不到的，组合的数量超过了市场条目的 数量--这就是为什么有一个拟合。 Ivan Negreshniy 2018.11.01 15:34 #11382 Aleksey Vyazmikin: 当然，你可以使用它，这个报告中没有任何有价值的东西!一方面，以叶子的形式使用从历史上获得的有限数量的组合应该减少拟合的影响， 但另一方面，我看到60%在训练样本上起作用的叶子在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。大量的预测器就像天空中大量的星星--由于它们的集群，我们可以发明很多不同的星座，从其他太阳系的行星上看不到，组合的数量超过了市场 的数量--这就是调整的原因。不管别人怎么说，培训中的调整一直都是，而且永远都会是，但必须要有高质量的培训，然后会有更多的工作假期。 形象地说，你可以把在训练中的交易和从跳水板上跳下，会加速并惯性地飞过OOS。 然而，如果这个样本的权益图出现弯曲和颠簸，就不要指望能有一个好的跳跃）。 pantural 2018.11.01 17:45 #11383 阿列克谢-维亚兹米 金。一方面，以叶子的形式使用在历史上获得的有限数量的组合应该减少拟合的影响，但另一方面，我看到60%在训练样本上工作的叶子在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。 大量的预测器就像天空中大量的星星，由于它们的集群，你可以组成一堆不同的星座，从其他太阳系的行星上看不到，组合的数量超过了市场条目的 数量--这就是为什么有一个拟合。这是一个10亿美元的问题IMHO任何归纳都是一种拟合，MO只是统计，失控的理论，工程统计，不屑于启发式和拐杖，统计是一个或另一个平均数，平均数，偏离平均数的平均数，等等。好吧，我们都记得关于 "鸡罗素 "的寓言，主人会给鸡喂食几百次（统计学上的重要数字），但只是故意的，这样他就会把鸡宰杀一次（（（也许木偶也会这样做。 Aliaksandr Hryshyn 2018.11.01 18:27 #11384 一个供思考的问题。 有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？ Yuriy Asaulenko 2018.11.01 19:26 #11385 阿里克桑德-赫里辛。一个供思考的问题。 有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当我们在历史上运行这两套策略时，它们之间有什么不同？没有什么。这两类策略都根据历史情况进行了调整。 也许这种配合的目的和手段是不同的，但我们不是作者，无法发现）。 mytarmailS 2018.11.02 11:01 #11386 阿里克桑德-赫里辛。一个供思考的问题。 有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？)))))))))))))))))))))))))))))))))))))))............. Aliaksandr Hryshyn 2018.11.02 11:08 #11387 mytarmailS:)))))))))))))))))))))))))))))))))))))))............. 如果有的话，这只是一个问题）。 pantural 2018.11.02 11:08 #11388 阿里克桑德-赫里辛。一个供思考的问题。 有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？这个问题是有效的。 只要我们在训练和控制中教给模型一个单一的东西，误差曲线就会是这样的 过度训练是分歧开始的时候（在图片上的第19个n点），因此你的问题的答案是， 过度训练的 模型在历史上会比对照组的模型好很多。理想情况下，历史上的权益图和控制图（OOS）应该是没有区别的。所以，当地 "大师 "说的是 "平等跳板"，反之亦然，你看不到历史在哪里结束，检查在哪里开始。 Renat Akhtyamov 2018.11.02 11:13 #11389 关于MO的绅士专家们。 谁能分享一下关于如何创建一个用于绘制函数图的学习神经元的链接？ Maxim Dmitrievsky 2018.11.02 11:19 #11390 pantural。这个问题是正确的。 假设我们把模型教给一个人，而且是同一个东西，在训练和控制中，误差曲线将是这样的 过度训练是分歧开始的时候（大约在图片中的第19个n），因此你的问题的答案是， 过度训练 的模型在历史上会比控制上的 模型好很多。理想情况下，历史上的权益图和控制图（OOS）应该是没有区别的。也就是说，当地 "大师 "关于 "水平跳板 "的说法 - 完全是无稽之谈，恰恰相反，不应该看到故事的结束和控制的开始。平衡2个选择，这就是全部。不会挽救第3次的失败，但方法是正确的。 1...113211331134113511361137113811391140114111421143114411451146...3399 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
是的，这个错误无疑是值得报告的，你介意我用你的报告作为例子吗？
不管你怎么看，配合都是很到位的，问题是如何把它减少到一个可接受的水平。
当然，你可以使用它，这个报告中没有任何有价值的东西!
关于拟合，在这里我想该怎么做，一方面用有限的组合在历史上获得的叶子的形式应该减少拟合的影响，但另一方面我看到60%的叶子在训练样本上工作，在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。
大量的预测器就像天空中大量的星星，由于它们的集群可以得出一堆不同的星座，从其他太阳系的行星上是看不到的，组合的数量超过了市场条目的 数量--这就是为什么有一个拟合。
当然，你可以使用它，这个报告中没有任何有价值的东西!
一方面，以叶子的形式使用从历史上获得的有限数量的组合应该减少拟合的影响， 但另一方面，我看到60%在训练样本上起作用的叶子在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。
大量的预测器就像天空中大量的星星--由于它们的集群，我们可以发明很多不同的星座，从其他太阳系的行星上看不到，组合的数量超过了市场 的数量--这就是调整的原因。
不管别人怎么说，培训中的调整一直都是，而且永远都会是，但必须要有高质量的培训，然后会有更多的工作假期。
形象地说，你可以把在训练中的交易和从跳水板上跳下，会加速并惯性地飞过OOS。
然而，如果这个样本的权益图出现弯曲和颠簸，就不要指望能有一个好的跳跃）。
一方面，以叶子的形式使用在历史上获得的有限数量的组合应该减少拟合的影响，但另一方面，我看到60%在训练样本上工作的叶子在测试样本上停止工作。问题是要了解故事是如何改变的，到底发生了什么，原来有效的东西不再有效。
大量的预测器就像天空中大量的星星，由于它们的集群，你可以组成一堆不同的星座，从其他太阳系的行星上看不到，组合的数量超过了市场条目的 数量--这就是为什么有一个拟合。
这是一个10亿美元的问题IMHO任何归纳都是一种拟合，MO只是统计，失控的理论，工程统计，不屑于启发式和拐杖，统计是一个或另一个平均数，平均数，偏离平均数的平均数，等等。好吧，我们都记得关于 "鸡罗素 "的寓言，主人会给鸡喂食几百次（统计学上的重要数字），但只是故意的，这样他就会把鸡宰杀一次（（（也许木偶也会这样做。
一个供思考的问题。
有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？
一个供思考的问题。
有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当我们在历史上运行这两套策略时，它们之间有什么不同？
没有什么。这两类策略都根据历史情况进行了调整。
也许这种配合的目的和手段是不同的，但我们不是作者，无法发现）。
一个供思考的问题。
有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？
))))))))))))))))))))))))))))))))))))))).............
))))))))))))))))))))))))))))))))))))))).............
一个供思考的问题。
有很多策略适合于历史，也有很多策略在新的数据上有好的结果。当你在历史上运行这两套策略时，它们之间有什么不同？
这个问题是有效的。
只要我们在训练和控制中教给模型一个单一的东西，误差曲线就会是这样的
过度训练是分歧开始的时候（在图片上的第19个n点），因此你的问题的答案是， 过度训练的 模型在历史上会比对照组的模型好很多。理想情况下，历史上的权益图和控制图（OOS）应该是没有区别的。所以，当地 "大师 "说的是 "平等跳板"，反之亦然，你看不到历史在哪里结束，检查在哪里开始。
关于MO的绅士专家们。
谁能分享一下关于如何创建一个用于绘制函数图的学习神经元的链接？
这个问题是正确的。
假设我们把模型教给一个人，而且是同一个东西，在训练和控制中，误差曲线将是这样的
过度训练是分歧开始的时候（大约在图片中的第19个n），因此你的问题的答案是， 过度训练 的模型在历史上会比控制上的 模型好很多。理想情况下，历史上的权益图和控制图（OOS）应该是没有区别的。也就是说，当地 "大师 "关于 "水平跳板 "的说法 - 完全是无稽之谈，恰恰相反，不应该看到故事的结束和控制的开始。
平衡2个选择，这就是全部。不会挽救第3次的失败，但方法是正确的。