Finding complex chart patterns has never been an easy task. This article will give you a simple indicator for complex chart pattern recognition. You will have the freedom to detect any pattern with any pattern length. Not just 2-bar candlestick formations, but complex stuff like V-Tops spread over 20 bars. Defining a chart pattern I am using a...
对其进行培训的样本的指标。
训练之外的样本呢？例如，未来六个月？
所以你有一个~1的logloss，这意味着模型完全被正在发生的事情吓坏了。
我是瞎子，负的对数在哪里？我为整个模型指定了一个Logloss。
你想为一个单独的输入找到一个单独的logloss吗？即工作表值和目标值之间的信息量？
我不确定logloss是否正确，我想找到高质量的信息，而logloss是在寻找整个模型的数量，也许数量也可以 - 我不知道。有什么办法可以做到这一点吗？
相对于其他阶级，"什么都不做 "的阶级显然是不平衡的，这就是我上面写的，可能因为3个阶级的模式而出现这样的问题。其余的指标都令人沮丧。
是的，不平衡，但你能做什么......。当然，你可以做两个样本--将样本分割成矢量，但同样会失去一些可能有用的信息。总的来说，我同意样本不平衡，但我不知道如何做到不丢失信息。 我试着用少量的目标进行重复行，但效果是负面的。
我是瞎子，负数的logloss在哪里？我为整个模型指定了一个logloss。
我不确定logloss是什么，我想找到高质量的信息，而logloss寻找的反而是整个模型的数量，也许数量也可以 - 我不知道。有什么办法可以做到这一点？
是的，它不平衡，但你能做什么...。当然，你可以做两个样本--把样本分成向量，但同样，一些可能有用的信息会丢失。总的来说，我同意样本不平衡，但我不知道如何做到不丢失信息。我试着用少量的目标进行复制线--效果是负面的。
不是负数，但趋向于1，即最大。它应该趋于零。
logloss显示了你的特征与目标的相关程度，大致上说，即0是完全相关，即它们很好地描述了目标。1是完全没有描述，也就是说，它们完全没有信息量。这是一个很好的指标，因为它告诉我们是否存在任何相关的问题。你根本没有得到任何相关的信息。
我不知道，让它成为一个正常的2班，而不是3班。
而在训练之外的样本上，什么？例如，未来六个月？
训练之外的取样，就像它一样......没有，为2019年3月1日左右训练，决定我应该使用2014年的所有信息。
但是，决定自己看看这些树给人的感觉，把它插在EA里，从2019年3月1日到2019年9月15日，用3种不同的树做了3次传递。
1.第一个分割步骤
2.第二十次分裂步骤
3.第四十八个步骤的分割
而且，总的来说，我自己也很惊讶，所有这三种模式都有积极的结果！"。
有趣的是，第2个模型更平稳，而第3个模型已经在艰难地爬行到正方。
有趣的是，模型的准确度并没有下降多少，有时甚至有所提高。 下面是一个显示与训练样本有关的百分比变化的表格
我不能说完整性和logloss--你必须采取指标并进行抽样。
是的，大多数模型在训练到零时都会循环，因为相对于其他两类来说，确实存在着该类的优势，那么零就更容易找到--这就是破坏整个事情的原因。
不是负数，而是趋向于1，即最大。它应该倾向于零。
对数损失显示了你的特征与目标的相关程度，大致上说，即0是完全相关，即它们很好地描述了目标。1是完全没有描述，也就是说，它们完全没有信息量。这是一个很好的指标，因为它告诉我们是否存在任何相关的问题。你根本没有得到任何相关的信息。
我不知道，让它成为正常的2级而不是3级。
我不确定多类中的Logloss是否是一个...总的来说，我自己也搞不清楚如何实现这个公式--我不了解这些来自公开渠道的密码。我希望看到Logloss不是最终的，而是整个样本的，它的变化和下垂的地方。按照我的理解，用平衡的样本会更正确...
我不确定多分类的Logloss是否等于1...一般来说，我自己无法理解如何实现这个公式--我不理解这些来自公共资源的密码。我希望看到Logloss不是最终的，而是整个样本的，它的变化和下垂的地方。而根据我的理解，在平衡的样本中，它在更大程度上是正确的......
我不想为此绞尽脑汁......像yandex这样的大公司正在做事情。他们说：这样做，你就会好起来。只管去做，不要自己去做。你将淹没在修辞和不同的方法中。
它显示了沿着梯度的变化，建立了树木训练之外的取样，就像它一样......没有，为2019年3月1日左右培训，决定我应该使用2014年的所有信息。
但是，决定自己看看这些树给人的感觉，把它插在EA里，从2019年3月1日到2019年9月15日，用3种不同的树做了3次传递。
1.第一个分割步骤
2.第二十次分裂步骤
3.第四十八个步骤的分割
而且，总的来说，我自己也很惊讶，所有这三种模式都有积极的结果！"。
有趣的是，第2个模型更平稳，而第3个模型已经在艰难地爬行到正方。
有趣的是，模型的准确度并没有下降多少，有时甚至有所提高。 下面是一个显示与训练样本有关的百分比变化的表格
我不能说完整性和logloss--你必须拍摄指标和做采样。
是的，大多数模型在训练到零时都会循环，因为相对于其他两类，这类人确实占多数，然后零点更容易找到--这就是破坏整个事情的原因。
这就是我得到的东西。刚把所有的机器人逻辑移到python上，森林用boost代替。找不到错误，似乎没有偷看。根据设置，acuras可以提高到0.7-0.8，同时减少交易的数量。
对于脚手架来说，误差范围差不多，但它不是阿库拉，是分类误差。而且它在Trayne中的表现类似，甚至更好。但在测试中，情况要糟糕得多。
学习。
学习是10倍大
来的路上有什么？纯粹的价格？
增量
我将在本周末完成连接器并对其进行测试。我计划将模型上传到云端，从终端检索信号。我打算把模型放在云中，从终端提取信号。我可以把MT5的客户端发给你关于如何描述国防部模式的一个简单而有趣的方法
https://www.quanttrader.com/index.php/a-simple-algorithm-to-detect-complex-chart-patterns/KahlerPhilipp2019