This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, reproduction and adaptation in any medium and for any purpose provided that it is properly attributed. For attribution, the original author(s), title, publication source (PeerJ) and either DOI or...
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。 我准备把模型放在云端，从终端获取信号。 以后你也可以测试它，谁愿意呢？我可以稍后发送mt5客户端然后我会投资于复制或重复该方法。
我在Alglib森林和单棵树的实验中，在进场时的价格增量和目标TP/SL - 没有显示任何有趣的东西。
只看几个月的演示就开始了，这很有意思。
然后投资于复制或重复该方法。
我在alglib森林和单一树上的实验，输入价格增量和目标由TP/SL标记 - 没有显示任何有趣的东西。
我在一年后才达到正确构建目标的程度，通过改变它们的参数，你可以以一种可预测的方式改变acuraci。
在演示中，是的，测试会显示。
alglib森林有一个我不明白的问题--它的样本越多，就越会过度训练
也许为它做一个范热是有意义的，即把特征转换成分类的。树木不会如此巨大alglib森林有一个我不明白的问题--样本越多，越是过度训练
也许有一种意义，为它做一个范热，即把特征转换成分类的。树木不会那么巨大关于这个问题
有些人写道，vanchot对脚手架不利，因为它使树木不对称，另一些人写道，它可以防止过度踩踏。选择了第二个:)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6368971/
事实上
有些人写道，vanchot对森林不利，因为它使树木不对称，另一些人则写道，它可以防止过度踩踏。选择了第二个:)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6368971/
你可以简单地将输入数据离散化，例如将5位数转换为4位数。而这些数据已经会以10个为一组。
或者，正如我之前所建议的，你可以在alglib森林中建立一个分支，当达到所需的深度或工作表中的例子数量时停止分支。
你可以简单地将输入数据离散化，例如将一个5位数的数值转换成4位数。而这些数据已经会以10个为一组。
或者像我之前建议的那样--在alglib森林中建立一个分支，当达到所需的深度或表单中的例子数量时停止分支。
这是不一样的，你必须做分类，以便它们的值不能相互比较。
我稍后会去看那篇文章，我已经把它打了折扣，所以我不会忘记它。像Yandex这样的大公司在工作和做事。他们说：这样做，你就会好起来。就这样做，不要做业余的工作。否则你会淹没在措辞和不同的方法中。
它显示了沿着梯度的变化，建立了树木在添加一棵树的时候，有变化吧，而我需要看一下样本，就像在样本中添加一条新线 一样--可能这样你就可以了解哪些领域/情况原来是难以学习的，相应地思考可以克服这些难以学习的领域的预测器。
还不错!增加数量，已经可以赚到一些钱了)
这就是如何选择叶子，并将其组合成一个模型，以增加体积，这就是如何增加输入的数量，即召回。
也许这种方法对你的样本也有效，但如果它被加速了...
这样的结果是由深度为5-7个分片的树给出的，但它只揭示了某些模式--通常3-4片到-1和1，其余到0。
增量
总共有多少个预测因子？
你可以简单地将输入数据离散化，例如将5位数转换为4位数。而这些数据已经会以10个为一组。
或者，正如我之前所建议的，你可以在alglib森林中建立，当达到所需的深度或列表中的例子数量时，停止分支。
当然，你应该通过单个叶子中的例子数量（完整性--召回）来修剪或简单禁止分支。此外，如果树木的准确度和完整性值低于基数，则可将其丢弃。
这是不一样的，你需要做分类，这样他们的值就不能互相比较。
我稍后会得到这篇文章，我下载了它，所以我不会忘记它。顺便问一下，你的模型训练的参数是什么？