交易中的机器学习：理论、模型、实践和算法交易 - 页 1330 1...132313241325132613271328132913301331133213331334133513361337...3399 新评论 Maxim Dmitrievsky 2019.02.14 05:20 #13291 阿列克谢-维亚兹米 金。我对另一个问题更加困惑--为什么不同的模型在不同的样本上的图形非常相似，似乎模型设法捕捉到一些明显的模式，这些模式以频繁的周期性出现在不同的样本量上（至少这一块不断地出现在窗口中），而模型正是利用了这种模式。 我自己的结论是，从所有数据中分配30%到70%的样本到验证图中寻找有趣的模式是可以的，但似乎30%还是最佳的。也许是因为你有相同的模型，但有不同的种子？)) 如果模型是随机的，并不意味着发生器的起始值会强烈影响结果。 正常的模型几乎不会有任何变化，这完全是随机的。这只是一种稳健性检查。所有这些结论都可以在不做任何事情的情况下得出，没有实验，而是纯粹从理论出发。 30/70是纯粹的随机结果。30到70之间的结论是渐进式地接近50。只是碰巧是一个子样本。 Aleksey Vyazmikin 2019.02.14 05:44 #13292 马克西姆-德米特里耶夫斯基。也许是因为你有相同的模型，但有不同的种子？)) 如果模型是随机的，这并不意味着生成器的起始值会强烈影响结果。 正常的模型几乎不会有任何变化，这完全是随机的。这只是一种稳健性检查。所有这些结论都可以在不做任何事情的情况下得出，没有实验，而是纯粹从理论出发。如果你仔细观察，你可以看到在一个样本中，模型的财务结果可以有很大的不同--从5000到1500，即明显不同，这意味着种子对模型有影响。我假设是所选模型相似（我会检查），它们的利润率略有不同，但几乎所有模型都在中间持平，这很令人惊讶--它们在相同的利润率中犯了错误（新数据中的异常现象？） 我不理解 "正常的模型几乎不会有任何变化，完全随机的模型会 "的说法--该说法的第二部分与第一部分相矛盾。 马克西姆-德米特里耶夫斯基。30/70是纯粹的随机结果。30到70之间的结论是渐进式地接近50。这只是一个子样本。 这就是问题所在--随机与否，即取决于本节中的样本内容或样本中的数据量，有必要了解什么影响更大。 Maxim Dmitrievsky 2019.02.14 05:56 #13293 阿列克谢-维亚兹米 金。如果你仔细观察，你可以看到同一样本中的模型的财务结果可能非常不同--从5000到1500，即明显不同，这意味着种子确实影响了模型。我假设是所选模型相似（我会检查），它们的利润率略有不同，但几乎所有模型都在中间持平，这令人惊讶--它们被误认为是相同的利润率（新数据的异常情况？） 我不理解 "正常模型几乎不会有任何变化，绝对随机的模型会 "的说法--该说法的第二部分与第一部分相矛盾。 这就是问题的关键--随机与否，即取决于该图中的样本内容或样本中的数据量，这就是需要了解的内容，哪个影响更大。误差小的模型，即定性的模型，不受改变种子的影响。如果你有一个0.5左右的随机值，你会得到很多不同的模型，因为你会为每一个随机性的喷嚏过度进食。 Aleksey Vyazmikin 2019.02.14 06:14 #13294 马克西姆-德米特里耶夫斯基。误差小的模型，即优质模型，不受种子变化的影响。如果随机性在0.5左右，那么你会有很多不同的模型，因为随机性的每个喷嚏都会有过度的适应。这可能是99%的准确率，而我的召回率很低--20%为好，即可能大部分的1没有被检测到，也没有输入，所以不同的模型有望在0-100范围内工作，20%的窗口。 Maxim Dmitrievsky 2019.02.14 06:16 #13295 阿列克谢-维亚兹米 金。这可能与99%的准确率有关，但我的召回率很低--20%为好，即可能大多数1没有被检测到，也没有输入，所以不同的模型有望在0和100之间的20%的窗口工作。这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。 那么各种奇怪的方法都会自己落下。 我写了50次--没有必要重新发明轮子，这样做是没有用的。 Aleksey Vyazmikin 2019.02.14 06:34 #13296 马克西姆-德米特里耶夫斯基。这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。 那么所有这些奇怪的方法就会自行消失。 我告诉过你50次了--没有必要重新发明轮子，这条道路是没有出路的。我在仔细听，你还能用什么方法来减少误差？ 为了这些目的，我改变了样本组成，改变了模型创建的设置 - 我还能做什么？ Aleksey Vyazmikin 2019.02.14 06:38 #13297 任何想知道种子对模型影响的人--取了30%的样本，所有模型--点击动画 Forester 2019.02.14 07:25 #13298 马克西姆-德米特里耶夫斯基。这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。 那么各种奇怪的方法就会自己消失。 我写了50次--没有必要重新发明轮子，这种方式没有任何意义。 我不同意。如果标准的IO方法在市场上有效，每个人都会用它来赚钱。阿列克谢-维亚兹米 金。 但你必须在白天发明自行车。并在晚上睡觉。拯救你的健康。 Maxim Dmitrievsky 2019.02.14 07:29 #13299 埃利布留斯。 我不同意。如果标准IO方法在市场上起作用，每个人都会用它来赚钱。 但编造自行车应该在白天进行。并在晚上睡觉。拯救你的健康。问题不在于标准方法，而在于对你想用这些方法做什么以及你在用什么过程缺乏基本的了解。 也就是说，既缺乏经济教育，也缺乏数学教育。所以它就像一个布朗粒子到处游荡......也许是这个方向，也许是那个方向......。 而且每个人都拒绝阅读 "复杂 "的书，尤其是英文书。 Forester 2019.02.14 07:33 #13300 马克西姆-德米特里耶夫斯基。问题不在于标准方法，而在于对你想用它们做什么的基本误解。 愚蠢的一个主要例子是 "之 "字形输出。雷谢托夫的核机器就是这里的一些人使用的自行车。而且它在处理市场方面似乎比一些标准的东西更成功。 所以我支持自行车!)但当然，你也需要了解如何处理它们。 1...132313241325132613271328132913301331133213331334133513361337...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
我对另一个问题更加困惑--为什么不同的模型在不同的样本上的图形非常相似，似乎模型设法捕捉到一些明显的模式，这些模式以频繁的周期性出现在不同的样本量上（至少这一块不断地出现在窗口中），而模型正是利用了这种模式。
我自己的结论是，从所有数据中分配30%到70%的样本到验证图中寻找有趣的模式是可以的，但似乎30%还是最佳的。
也许是因为你有相同的模型，但有不同的种子？))
如果模型是随机的，并不意味着发生器的起始值会强烈影响结果。
正常的模型几乎不会有任何变化，这完全是随机的。这只是一种稳健性检查。
所有这些结论都可以在不做任何事情的情况下得出，没有实验，而是纯粹从理论出发。
30/70是纯粹的随机结果。30到70之间的结论是渐进式地接近50。只是碰巧是一个子样本。
也许是因为你有相同的模型，但有不同的种子？))
如果模型是随机的，这并不意味着生成器的起始值会强烈影响结果。
正常的模型几乎不会有任何变化，这完全是随机的。这只是一种稳健性检查。
所有这些结论都可以在不做任何事情的情况下得出，没有实验，而是纯粹从理论出发。
如果你仔细观察，你可以看到在一个样本中，模型的财务结果可以有很大的不同--从5000到1500，即明显不同，这意味着种子对模型有影响。我假设是所选模型相似（我会检查），它们的利润率略有不同，但几乎所有模型都在中间持平，这很令人惊讶--它们在相同的利润率中犯了错误（新数据中的异常现象？）
我不理解 "正常的模型几乎不会有任何变化，完全随机的模型会 "的说法--该说法的第二部分与第一部分相矛盾。
30/70是纯粹的随机结果。30到70之间的结论是渐进式地接近50。这只是一个子样本。
这就是问题所在--随机与否，即取决于本节中的样本内容或样本中的数据量，有必要了解什么影响更大。
如果你仔细观察，你可以看到同一样本中的模型的财务结果可能非常不同--从5000到1500，即明显不同，这意味着种子确实影响了模型。我假设是所选模型相似（我会检查），它们的利润率略有不同，但几乎所有模型都在中间持平，这令人惊讶--它们被误认为是相同的利润率（新数据的异常情况？）
我不理解 "正常模型几乎不会有任何变化，绝对随机的模型会 "的说法--该说法的第二部分与第一部分相矛盾。
这就是问题的关键--随机与否，即取决于该图中的样本内容或样本中的数据量，这就是需要了解的内容，哪个影响更大。
误差小的模型，即定性的模型，不受改变种子的影响。如果你有一个0.5左右的随机值，你会得到很多不同的模型，因为你会为每一个随机性的喷嚏过度进食。
误差小的模型，即优质模型，不受种子变化的影响。如果随机性在0.5左右，那么你会有很多不同的模型，因为随机性的每个喷嚏都会有过度的适应。
这可能是99%的准确率，而我的召回率很低--20%为好，即可能大部分的1没有被检测到，也没有输入，所以不同的模型有望在0-100范围内工作，20%的窗口。
这可能与99%的准确率有关，但我的召回率很低--20%为好，即可能大多数1没有被检测到，也没有输入，所以不同的模型有望在0和100之间的20%的窗口工作。
这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。
那么各种奇怪的方法都会自己落下。
我写了50次--没有必要重新发明轮子，这样做是没有用的。这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。
那么所有这些奇怪的方法就会自行消失。
我告诉过你50次了--没有必要重新发明轮子，这条道路是没有出路的。我在仔细听，你还能用什么方法来减少误差？
为了这些目的，我改变了样本组成，改变了模型创建的设置 - 我还能做什么？
任何想知道种子对模型影响的人--取了30%的样本，所有模型--点击动画
这不是办法，你应该减少整个模型的误差，而不是重新发明车轮。
那么各种奇怪的方法就会自己消失。
我写了50次--没有必要重新发明轮子，这种方式没有任何意义。我不同意。如果标准IO方法在市场上起作用，每个人都会用它来赚钱。
但编造自行车应该在白天进行。并在晚上睡觉。拯救你的健康。
问题不在于标准方法，而在于对你想用这些方法做什么以及你在用什么过程缺乏基本的了解。
也就是说，既缺乏经济教育，也缺乏数学教育。
所以它就像一个布朗粒子到处游荡......也许是这个方向，也许是那个方向......。
而且每个人都拒绝阅读 "复杂 "的书，尤其是英文书。
问题不在于标准方法，而在于对你想用它们做什么的基本误解。
愚蠢的一个主要例子是 "之 "字形输出。
雷谢托夫的核机器就是这里的一些人使用的自行车。而且它在处理市场方面似乎比一些标准的东西更成功。
所以我支持自行车!)但当然，你也需要了解如何处理它们。