交易中的机器学习：理论、模型、实践和算法交易 - 页 1297 1...129012911292129312941295129612971298129913001301130213031304...3399 新评论 Aleksei Kuznetsov 2019.02.07 08:53 #12961 阿列克谢-维亚兹米 金。 有趣的说法。然而，后续树的建立是为了减少现有树组成的误差，但我不明白为什么他们不使用抽样的话，请告诉我更多的细节，也许我不明白一些深层的东西......你不是在那里通过对数字>1的提升树的原始数据进行检查的任何机会吗？如果是，那么结果应该是随机的，因为这些树不是从输入数据中学习，而是从错误中学习。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。 如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升中--不，因为1棵树没有其他所有的树，就没有考虑的意义。 Ivan Negreshniy 2019.02.07 11:37 #12962 elibrarius。你是否有任何机会从数量>1的提升树的叶子，把输入数据喂给他们？如果是这样，结果应该是随机的，因为那些树不是在输入数据上训练的，而是在错误上训练的。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。 如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升方面--没有，因为1棵树没有其他所有的树，考虑起来没有意义。 因此，这从提升的定义中可以看出，提升是一种连续的改进方法，每一个连续的算法都是为了弥补前一个算法的组成缺陷。 Aleksey Vyazmikin 2019.02.07 11:49 #12963 elibrarius: 是的，为了减少误差，他们以误差为目标，然后减去误差。以下是提升的算法，我只是自己研究一下https://neurohive.io/ru/osnovy-data-science/gradientyj-busting/我明白这是典型的助长行为。也许catbust已经发明了自己的东西...请看这篇文章。是的，在我看来，确实建立了一棵树，应用于样本，并计算出实际目标和预测目标之间的delta，然后建立下一棵树以减少误差，即预测delta。但是，事实上，新的树是以同样的方式在同一样本上建立的，并且形成了新的和新的连接，也就是说，事实上只有目标发生了变化。但这种方法提供了一个机会，可以找到新的连接（叶子），这在随机森林 中是不明显的，这些连接取决于第一棵树，它取决于样本（这不是新闻），但CatBoost中的后续树将被构建为设定的迭代次数，或停止的标志，而这个标志是在测试样本中定义的。标志是模型质量的任何估计指标（有一个不同指标的清单）。我选择在指标上停止训练，因为我想同时在两个样本上得到改善，如果只在训练样本上，显然是过度训练。这就是为什么有一个关于样本量直接影响学习的问题，也就是说，如果连训练样本量都不变，那么测试样本量就会影响学习。 elibrarius: 你是否有任何机会，通过向他们提供原始数据，从数字>1的提升树的叶子？如果是这样，那么结果应该是随机的，因为那些树不是从原始数据中学习，而是从错误中学习。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。 如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升方面--没有，因为1棵树没有其他所有的树，考虑起来没有意义。 说得好，我只是在准备一个研究树叶的平台（在catbust中，它更像是二叉树）。如果有非常多的树，结果可能可以忽略不计，但很可能有像样的链接，甚至在理论上，如果第一棵树的叶子有很大的错误，而第四棵树纠正了它的叶子的这个错误，那么事实上，新的链接会有逻辑意义，并且本身会对样本进行正确分类。从技术上讲，catbust有一个数组，里面有每个二叉树（叶子）的响应结果，然后这些响应被加起来，但诀窍是，每个样本行只有一小部分二叉树（叶子）给出了答案。因此，从理论上讲，有可能删除（清零）二元树（叶子），这些树的预测能力很低，因为它们要么是有初始误差的树，要么是小的配合（对事实进行再训练），只留下有显著值的叶子。另一个方向是利用这些连接来估计预测因子的重要性，如果在最终的数组中存在较大的权重，那么这些连接，也就是预测因子是重要的，其他的则被阈值筛选出来，认为不那么重要。如果我们进行这样的筛选，就可以先对比较重要的预测因子进行训练，然后再对不太重要的预测因子进行训练，这样应该可以改善训练结果，因为不太重要的预测因子不会妨碍构建比较稳定的关系，而只是在可能的情况下进行补充。 底线是，垃圾二叉树确实对拟合不感兴趣，而具有共同高权重的微观分析（2-3棵二叉树（叶））或单一二叉树也非常重要，可以单独用于分类。 不幸的是，我没有一个机制来拉动单个的二进制树（在正常的叶子意义上），并将其转换为一个正常的可读规则，所以一切都只是在理论上，但我愿意接受合作。 [删除] 2019.02.07 12:00 #12964 阿列克谢-维亚兹米 金。不幸的是，我目前没有一个机制来拉动单个的二进制树（在正常理解的叶子），并将其转换为一个正常的可读规则，所以一切还只是在理论上，但我愿意合作。那你如何在mt5中拉动模型？我想交易它或在测试器中运行它。我已经研究了很久，但我不知道，我应该使用Python并与mt5连接，还是使用katbust二进制。 Aleksey Vyazmikin 2019.02.07 12:06 #12965 马克西姆-德米特里耶夫斯基。你如何在mt5中绘制模型？在那里交易或在测试器中运行什么。我在想，什么是构建它的最佳方式，我还没有决定：是去用Python并将其连接到mt5，还是使用katbust二进制。我将把一个C++的模型转换为MQL5--事实上，那里只取数组，而且在MQL中有这个模型的解释器（不是我的代码）。因此，模型在专家顾问中被加载，现在我可以通过文件加载数百个模型，并在终端查看它们，包括通过优化器的运行。 [删除] 2019.02.07 12:11 #12966 阿列克谢-维亚兹米 金。我把一个C++的模型转换成了MQL5--事实上，那里只取了数组，而且在MQL中还有一个这个模型的解释器（代码不是我的）。相应地，这些模型被加载到Expert Advisor中，现在我可以通过一个文件加载数百个模型，并在终端观察它们，包括通过优化器运行它们。好吧，这里要写一篇文章，有一些框架和想法（想法不应少于空间），需要什么帮助，或合作有什么帮助 我理解社会上存在分歧：有些人在撤资，有些人在泛化。例如，我就不同意这种做法，可能只是没有完全把握住这个想法。 Aleksey Vyazmikin 2019.02.07 12:19 #12967 马克西姆-德米特里耶夫斯基。好吧，这里有一篇文章要写，有一些框架和想法（这个想法应该不亚于宇宙），需要什么帮助，或者合作有什么。我没有深厚的文章理论知识，我编造不同的概念，改变对既定现象的解释--这不是一种学术方法。 我认为该模型的解释器会很有趣，但我不能发表，因为代码不是我写的。 而任何留在理论上的东西，与不能应用的代码（因为封闭的类），我认为都不会有什么意思。而模型创建和选择的过程，我想都解决了，也就没有兴趣了。 Aleksey Vyazmikin 2019.02.07 12:26 #12968 马克西姆-德米特里耶夫斯基。我理解社会上存在分歧：有些人在撤资，有些人在泛化。我，不同意这种做法，也许我只是还没有完全掌握这个想法。而且我不知道社区的情况，也就是说，我不知道其他领域的人是怎么做的？ 拉取数据对我来说似乎是合乎逻辑的，因为我正在寻找一个借助MO的人类行为（或算法）的模型，可能有很多这样的行为模式，而且它们可能是独立的，所以尽可能多地拉取数据是有意义的，因为不可能把它们全部归纳在一起。而对某些人来说，市场是一个整体，是集体思想工作的结果，是某种没有规则的投票器官。 显然，对于这种情况，他们正在寻找一个模型，将市场行为 描述为一个独立的有机体。 Aleksei Kuznetsov 2019.02.07 12:38 #12969 阿列克谢-维亚兹米 金。如果第一棵树在它自己的叶子里有一个很大的错误，而第四棵树在它自己的叶子里纠正了这个错误，那么实际上新的链接会有逻辑意义，并且它本身 会对样本进行正确分类。 我不确定，第四棵树用它的叶子纠正了第一棵树的错误。我认为只有在成对的情况下，它们才有意义。但我可能是错的。因为我还没有试验过这种东西。 Aleksey Vyazmikin 2019.02.07 12:43 #12970 elibrarius。我不确定，第四棵树用它的叶子纠正了第一棵树的错误。我认为只有在成对的情况下，它们才有意义。但我可能是错的。因为我没有试验过这种东西。如果我们非常原始，第一棵树对样本没有反应，它的返回值为零，而第四棵树有这种反应，并认为 "概率 "为0.6--技术上我们纠正了第一棵树的错误，但事实上我们揭示了一个以前根本不存在的联系。即使我们假设所有的树都共享整个样本（显然不是这样），让它成为0.1而不是0，随后的树有0.5，这里的效果也是一样的。那里的概率并不完全是概率，只有在激活的二叉树的所有值加在一起之后，数组中的值才会被转换成类似于概率的东西。 1...129012911292129312941295129612971298129913001301130213031304...3399 新评论 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
有趣的说法。然而，后续树的建立是为了减少现有树组成的误差，但我不明白为什么他们不使用抽样的话，请告诉我更多的细节，也许我不明白一些深层的东西......
你不是在那里通过对数字>1的提升树的原始数据进行检查的任何机会吗？如果是，那么结果应该是随机的，因为这些树不是从输入数据中学习，而是从错误中学习。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。
如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升中--不，因为1棵树没有其他所有的树，就没有考虑的意义。
你是否有任何机会从数量>1的提升树的叶子，把输入数据喂给他们？如果是这样，结果应该是随机的，因为那些树不是在输入数据上训练的，而是在错误上训练的。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。
如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升方面--没有，因为1棵树没有其他所有的树，考虑起来没有意义。
是的，为了减少误差，他们以误差为目标，然后减去误差。
以下是提升的算法，我只是自己研究一下https://neurohive.io/ru/osnovy-data-science/gradientyj-busting/
我明白这是典型的助长行为。也许catbust已经发明了自己的东西...
请看这篇文章。是的，在我看来，确实建立了一棵树，应用于样本，并计算出实际目标和预测目标之间的delta，然后建立下一棵树以减少误差，即预测delta。但是，事实上，新的树是以同样的方式在同一样本上建立的，并且形成了新的和新的连接，也就是说，事实上只有目标发生了变化。但这种方法提供了一个机会，可以找到新的连接（叶子），这在随机森林 中是不明显的，这些连接取决于第一棵树，它取决于样本（这不是新闻），但CatBoost中的后续树将被构建为设定的迭代次数，或停止的标志，而这个标志是在测试样本中定义的。标志是模型质量的任何估计指标（有一个不同指标的清单）。我选择在指标上停止训练，因为我想同时在两个样本上得到改善，如果只在训练样本上，显然是过度训练。这就是为什么有一个关于样本量直接影响学习的问题，也就是说，如果连训练样本量都不变，那么测试样本量就会影响学习。
你是否有任何机会，通过向他们提供原始数据，从数字>1的提升树的叶子？如果是这样，那么结果应该是随机的，因为那些树不是从原始数据中学习，而是从错误中学习。因此，你正在解决一个树和它的叶子没有被训练来解决的问题。
如果这些树来自随机森林--那么它们都是在原始数据上训练出来的，你可以使用它们（但没有意义，因为就误差而言，1棵树强烈劣于森林）。在提升方面--没有，因为1棵树没有其他所有的树，考虑起来没有意义。
说得好，我只是在准备一个研究树叶的平台（在catbust中，它更像是二叉树）。如果有非常多的树，结果可能可以忽略不计，但很可能有像样的链接，甚至在理论上，如果第一棵树的叶子有很大的错误，而第四棵树纠正了它的叶子的这个错误，那么事实上，新的链接会有逻辑意义，并且本身会对样本进行正确分类。从技术上讲，catbust有一个数组，里面有每个二叉树（叶子）的响应结果，然后这些响应被加起来，但诀窍是，每个样本行只有一小部分二叉树（叶子）给出了答案。因此，从理论上讲，有可能删除（清零）二元树（叶子），这些树的预测能力很低，因为它们要么是有初始误差的树，要么是小的配合（对事实进行再训练），只留下有显著值的叶子。另一个方向是利用这些连接来估计预测因子的重要性，如果在最终的数组中存在较大的权重，那么这些连接，也就是预测因子是重要的，其他的则被阈值筛选出来，认为不那么重要。如果我们进行这样的筛选，就可以先对比较重要的预测因子进行训练，然后再对不太重要的预测因子进行训练，这样应该可以改善训练结果，因为不太重要的预测因子不会妨碍构建比较稳定的关系，而只是在可能的情况下进行补充。
底线是，垃圾二叉树确实对拟合不感兴趣，而具有共同高权重的微观分析（2-3棵二叉树（叶））或单一二叉树也非常重要，可以单独用于分类。
不幸的是，我没有一个机制来拉动单个的二进制树（在正常的叶子意义上），并将其转换为一个正常的可读规则，所以一切都只是在理论上，但我愿意接受合作。
不幸的是，我目前没有一个机制来拉动单个的二进制树（在正常理解的叶子），并将其转换为一个正常的可读规则，所以一切还只是在理论上，但我愿意合作。
那你如何在mt5中拉动模型？我想交易它或在测试器中运行它。我已经研究了很久，但我不知道，我应该使用Python并与mt5连接，还是使用katbust二进制。
你如何在mt5中绘制模型？在那里交易或在测试器中运行什么。我在想，什么是构建它的最佳方式，我还没有决定：是去用Python并将其连接到mt5，还是使用katbust二进制。
我将把一个C++的模型转换为MQL5--事实上，那里只取数组，而且在MQL中有这个模型的解释器（不是我的代码）。因此，模型在专家顾问中被加载，现在我可以通过文件加载数百个模型，并在终端查看它们，包括通过优化器的运行。
我把一个C++的模型转换成了MQL5--事实上，那里只取了数组，而且在MQL中还有一个这个模型的解释器（代码不是我的）。相应地，这些模型被加载到Expert Advisor中，现在我可以通过一个文件加载数百个模型，并在终端观察它们，包括通过优化器运行它们。
好吧，这里要写一篇文章，有一些框架和想法（想法不应少于空间），需要什么帮助，或合作有什么帮助
我理解社会上存在分歧：有些人在撤资，有些人在泛化。例如，我就不同意这种做法，可能只是没有完全把握住这个想法。好吧，这里有一篇文章要写，有一些框架和想法（这个想法应该不亚于宇宙），需要什么帮助，或者合作有什么。
我没有深厚的文章理论知识，我编造不同的概念，改变对既定现象的解释--这不是一种学术方法。
我认为该模型的解释器会很有趣，但我不能发表，因为代码不是我写的。
而任何留在理论上的东西，与不能应用的代码（因为封闭的类），我认为都不会有什么意思。而模型创建和选择的过程，我想都解决了，也就没有兴趣了。
我理解社会上存在分歧：有些人在撤资，有些人在泛化。我，不同意这种做法，也许我只是还没有完全掌握这个想法。
而且我不知道社区的情况，也就是说，我不知道其他领域的人是怎么做的？
拉取数据对我来说似乎是合乎逻辑的，因为我正在寻找一个借助MO的人类行为（或算法）的模型，可能有很多这样的行为模式，而且它们可能是独立的，所以尽可能多地拉取数据是有意义的，因为不可能把它们全部归纳在一起。而对某些人来说，市场是一个整体，是集体思想工作的结果，是某种没有规则的投票器官。 显然，对于这种情况，他们正在寻找一个模型，将市场行为 描述为一个独立的有机体。
如果第一棵树在它自己的叶子里有一个很大的错误，而第四棵树在它自己的叶子里纠正了这个错误，那么实际上新的链接会有逻辑意义，并且它本身 会对样本进行正确分类。
我不确定，第四棵树用它的叶子纠正了第一棵树的错误。我认为只有在成对的情况下，它们才有意义。但我可能是错的。因为我还没有试验过这种东西。
我不确定，第四棵树用它的叶子纠正了第一棵树的错误。我认为只有在成对的情况下，它们才有意义。但我可能是错的。因为我没有试验过这种东西。
如果我们非常原始，第一棵树对样本没有反应，它的返回值为零，而第四棵树有这种反应，并认为 "概率 "为0.6--技术上我们纠正了第一棵树的错误，但事实上我们揭示了一个以前根本不存在的联系。即使我们假设所有的树都共享整个样本（显然不是这样），让它成为0.1而不是0，随后的树有0.5，这里的效果也是一样的。那里的概率并不完全是概率，只有在激活的二叉树的所有值加在一起之后，数组中的值才会被转换成类似于概率的东西。