交易中的机器学习：理论、模型、实践和算法交易 - 页 1376

新评论
 
阿列克谢-维亚兹米 金。

为什么要研究不到整个样本的10%，更多的抽样不是应该导致改进吗？

而且为什么要超过5千？如果你不能在他们身上训练，你就不能在更多的地方训练。

 
阿列克谢-维亚兹米 金。

为什么要训练不到整个样本的10%，增加样本不是应该导致改善吗？

过度训练的系统呢，你认为它将导致什么？

 
法尔哈特-古扎罗夫。

一个重新培训的系统呢，你认为这将导致什么？

样本越大，就需要更多的叶子/树而言，就越难拟合模型。

 
尤里-阿索连科。

通过x - 交易号码，通过y -以点为单位的利润金额 。


是4位数，还是5位数？

 
sibirqk:


是4字头，还是5字头？

这根本就不是一个标志)。
 
尤里-阿索连科。
这根本不是一个标志））。
那么它是什么意思--以pps为单位的利润额？
 
sibirqk:
那么，把利润放在点上是什么意思？
这是一个交流工具。它显示了在最简单的系统上获利的可能性。其余的还不重要。
 
弗拉基米尔-佩雷文科。

这不完全正确。例如，你有train[2000, ] 和test[500, ] 。你在train上进行训练，初始例子权重=1.0，让test[]预测训练后的模型。根据每个测试前缀的质量，你给它一个权重。然 后将训练和测试结合起来，形成一个新的训练样本，训练模型，测试模型，如此反复，直到所有的训练样本都有这样得到的权重。你可以对它们应用一个减少系数，用于老式酒吧，但我没有检查过。当然，所有这些都是为了分类。

用ELM检查，给出了良好的结果。

祝好运

我不太明白这怎么能提高模型在新数据上的性能。

因此，在进一步的训练中，相当于从样本中删除这些线条，在测试中，一切都会很好，有100%的准确性，在测试中，在同一个圆圈中的标记--也会一切都很好。但是有了全新的数据，我们将无法收回这些线条，它已经是模型真正能够做到的了。

或者反过来说，你是否为错误的例子增加了重量？

 
elibrarius。

我不太明白这怎么能提高模型在新数据上的性能。

例如，如果类的定义不正确，我们就把权重递减，作为一个极端的变量0.所以在随后的训练中，相当于从样本中删除这些行，一切都会很好，在托盘上有100%的准确性，在测试中，我们也循环标记 - 一切也会很好。但在全新的数据上，我们将无法抛弃线，而且会有已经是模型的真正能力。

还是你反而为错误的例子增加了权重？

当然，降级是针对 "坏 "的例子。如果你往上走--那就是典型的助推。

只要做一个实验并检查一下就可以了。

我现在不这么做了。在训练前进行预处理时，我删除或突出了有噪声的例子。

祝好运

 
尤里-阿索连科。

为什么你需要超过5,000个？如果你不能用它来学习，你就不能用更多的东西来学习。

这句话被归入愚蠢声明的库房。

阿列克谢-维亚兹米 金。

样本越大，就需要更多的树叶/树木，就越难拟合模型。

完全正确，越多越好（少于10万是噪音），但我们必须考虑到市场的变化，如何在训练中考虑到这一点是一个大秘密。

1...136913701371137213731374137513761377137813791380138113821383...3399
新评论