В области искусственного интеллекта , генетическое программирование ( ГП ) представляет собой метод , посредством которого компьютерные программы кодируются в виде набора генов, которые затем модифицированных (эволюционировали) с использованием эволюционного алгоритма (часто генетический алгоритм , «GA») - это применение ( например...
是的！这就是事实，没有别的。
我不同意，但我不会强求什么......
我不同意，但我不会强求什么......
你可以在视觉上花3天时间研究不同的仪器。在任何情况下，我们首先检查这一系列，并得出结论。而且，在测试中找到理解，总比在真实中弥补损失要好）。
最好是在没有情绪的情况下进行测试））））。更有理由进行交易)))))))
坦率地说，预测器的主题没有被涵盖。以及模型的逻辑，哪些模型应该在什么时候应用，选择模型的标准是什么。
关于如何准备数据的建议与结果毫无关系。尽管没有它，我们就不能开始)))))。
逻辑模型、选择标准和数据准备是关键问题，没有人可以给你一个可行的解决方案。如果你能把它摆出来，那就没有用了。
从人的角度来说，好与不好并不重要，你只需承认这些是我们所处的话题的规则。
最好是在没有情绪的情况下进行测试））））。更有理由进行交易)))))))
坦率地说，预测器的主题没有被涵盖。以及模型的逻辑，哪些模型应该在什么时候应用，选择模型的标准是什么。
关于如何准备数据的建议与结果毫无关系。虽然没有它，也没有开始)))))。
不透露是不在这里，是对目前的状况很遗憾。没有工作或结论，除了比较结果外，如何确定哪个模型对某个特定系列更好）。
模型的逻辑、选择标准和数据准备是关键问题，没有人会给出一个可行的解决方案。如果它被布置好了，就没有用了。
嗯，可能不完全是这样。只是有一些数学方法，以前它们的应用不是每个人都能得到的，现在可以了。但除了寻找和选择以及尝试之外，没有其他解决办法。最大可信度当然是一种方法，但它是主观的，问题是对分析来说重要的参数选择的主观性。
最好是用其应用的特点和逻辑来讨论逻辑学、模型和预测器。
它的工作与否并不重要。事实证明，这并不是100%。而即使是一个人也足以使))))。最主要的是手!!!!!或尾巴)))))
请...
200或300的绝对值。
你对哪些范围感兴趣？
或者学习一下R？）
5行代码，你就得到了你想要的东西
我认为你需要看一下错误的平衡（+1正确的输入和-1错误的输入），或者至少将平衡归一，以减少异常值。
R对我来说是一个非常困难的任务，它看起来不像MQL，而且我远不是一个程序员。而我甚至不是一个程序员，我也没有像MQL那样好的HELP。
我看到你对采样效率感兴趣。我对这个话题也很感兴趣，特别是我想了解是否有可能比我做得更好地进行分割。我可以做一个样本，其中预测器的值没有选择和有选择，所以你可以检查软件包的效率，也就是说，如果它在人工取样后能比在我的逻辑取样后学习得更好，那么这个软件包就比人类更有效率。
我认为你需要看看错误的平衡（+1正确的输入和-1错误的输入），或者至少将平衡归一，以减少异常值。
R对我来说是一个非常困难的任务，它看起来不像MQL，而且我远不是一个程序员。而我甚至不是一个程序员，我也没有一个合适的帮助。
我看到你对采样效率感兴趣。我对这个话题也很感兴趣，特别是我想了解是否有可能比我做得更好地进行分割。我可以对预测值进行无选择和有选择的抽样，这样你就可以检查软件包的效率，也就是说，如果它在人工抽样后能比我的逻辑抽样后学习得更好，那么这个软件包就比人更有效率。
我也不是一个程序员，而且，我是从学习C#开始的，我什么都不懂，就放弃了，后来我尝试了R，一切都很顺利 :)
分散化肯定不会给你带来任何质量上的收益；而且，它更有可能下降，最主要的是不要收益太多。
我需要它将范围为数千的数字变量转换成分类变量，比如说，只有20个级别。
我需要它生成的规则将重复.....。
我需要它来做什么？ 森林的工作原理是投票，输出概率是树状投票的总和，有时算法显示高概率，但预测是坏的，有时它有高概率和好的预测，所以我看到，如果我确切地知道此刻有哪些规则参与投票，我可以区分诚实的规则和噪声的规则...
我也不是一个程序员，事实上我甚至从学习C#开始，我什么都不懂，放弃了，然后我尝试了R，一切都很顺利 :)
分散化肯定不会给你带来任何质量上的收益；而且，它更有可能下降，最主要的是不要收益太多。
我需要它将范围为数千的数字变量转换成分类变量，比如说，只有20个级别。
我需要它生成的规则将重复.....。
我需要它做什么？ 森林的工作原理是投票，输出概率是树的投票之和，有时算法显示高概率，但预测是坏的，有时它有高概率和好的预测，如果我确切地知道哪些规则参与了投票，那么我可以区分诚实和噪音规则...
在我的案例中，离散化改善了结果，是的，我的预测因子更接近于分类，几乎所有的预测因子，其值都在2到20之间。
事实上，为了估计这样的模型，你需要检查参与投票的叶子的激活点的相似性，并删除/取消在相似样本点不断激活的叶子的权重。这样的噪音树会很适合这个故事，因为有多余的记忆。
理想情况下，每一片叶子都应该包含意义，相邻的一片叶子应该对其进行补充，但描述的内容不同，例如，一片叶子确定我们面前有一个球，另一片叶子确定其颜色--因此将球归类为属于某个特定类型的游戏。简化。
用树的指数将森林分解成叶子，看每片叶子对样本的激活情况，然后丢弃碎片。弗拉基米尔，你能不能告诉我，在R中如何可能教AMO，而不是例如分类或回归，但更模糊的东西...
我不知道它应该 是什么样子，应该取什么值；这对我来说并不重要，我所能做的就是描述一个引导 函数，并让AMO在自己创建的引导函数中最大化 一个引导标准。
还是说这纯粹是一个优化问题，与AMO没有关系？
1.任何模型都需要对超参数进行优化。在默认设置下，结果不会是最好的。在优化时，设定对你很重要的标准。在文献中的所有例子中，这些标准是统计指标（Acc、F1等）。在我们的案例中，这些标准并不总是导致交易中的预期结果（虽然看起来很奇怪）。例如，我使用一定时期内（通常是1周）的每条平均奖励作为优化标准和模型性能的指标。如果它不小于最小值（例如5个点的4个标志），那么我们继续工作。如果它已经下降，那么我们将用新的数据完成模型。优化只是贝叶斯式的，它给出了变体。
在这个过程中，必须考虑到不断变化的市场条件，不断改进该模型。这是一个很大的错觉，你可以在巨大的过去数据范围内训练一个模型，然后长期使用它而不重新训练。
2.合成一些功能，我不知道是哪一种--这是一种做或不做的事情。有几个包可以实现遗传编程。目前还没有确切的名字。但这是一个非常棘手的部分。尝试.
3.分散化。抽样的主要目的是使预测者与目标的比例尽可能的线性化。这当然会导致信息的损失。但在某些情况下，它能带来相当好的效果。
祝好运