交易中的机器学习：理论、模型、实践和算法交易 - 页 1854

新评论
[删除]  
证券交易所怎么会没有OI档案？
 
Maxim Dmitrievsky:
交易所里怎么会没有OM档案？
这就是没有档案的问题。长期以来，人们一直建议开发者在复印机中加入人们可能从历史中获取的OM。但显然有一些限制。作为一种选择，我可以向为我做顾问的那位老兄请教。他一直在写，但不是为所有的符号。我不再写了，只是因为指标表现不佳:-(。
 

我发现不同错误检测方法的行为有一个奇怪的特点。回归模型。与教师学习y=0或1。泰坦尼克号的数据。

   oob   RMSEr     AvgEr     AvgRelEr    Train  RMSEr     AvgEr     AvgRelEr

        0.409762  0.333394  0.431368          0.406325  0.330199  0.430042
        0.384805  0.293965  0.377680          0.380747  0.289936  0.377605
        0.383891  0.286546  0.356373          0.370912  0.275152  0.358349
        0.370671  0.261466  0.321370          0.353781  0.250322  0.326013
        0.380332  0.259588  0.299060          0.337633  0.227993  0.296931
        0.388428  0.248587  0.245976          0.309293  0.191325  0.249176
        0.401764  0.237416  0.195562          0.273932  0.150077  0.195456

对于火车 来说，一切都应该是这样的，我们的教学越强，所有方法的错误就越少。

在OOV 时，RMSE误差达到0.370671，然后开始增加，表明过度训练已经开始。但AvgEr和AvgRelEr不断进一步下降。在我看来，所有的误差应该表现得同步，也就是说，它们应该随着RMSE开始上升。
计算公式。

for (r=0;r<rows;r++){
  RMSEr += Sqr (pred[r] - y[r]);
  AvgEr += fabs(pred[r] - y[r]);
}
//После суммирования:
RMSEr= sqrt(RMSEr / rows);
AvgEr = AvgEr / rows;

计算方法非常相似（平方（Sqr）和价值模数（fabs）去掉了符号），但曲线的行为是不同的......。
用分类模型重复训练，在RMSE达到0.370671 的时候也有一个最小值。
有谁遇到过这样的错误行为？如何解释呢？

 
elibrarius:

我发现不同错误检测方法的行为有一个奇怪的特点。回归模型。与教师的学习y=0或1。泰坦尼克号的数据。

对于火车 来说，一切都应该是这样的，我们的教学越强，所有方法的错误就越少。

在OOV 时，RMSE误差达到0.370671，然后开始增长，说明过度训练已经开始。但AvgEr和AvgRelEr不断进一步下降。在我看来，所有的误差应该表现得同步，也就是说，它们应该随着RMSE开始上升。
计算公式。

计算方法非常相似（平方（Sqr）和价值模数（fabs）去掉了符号），但曲线的行为是不同的......。
用分类模型重复训练，在RMSE达到0.370671 的时候也有一个最小值。
有谁遇到过这样的错误行为？如何解释呢？

而这实际上是在优化过程中，错误首次减少，从而开始增长的一个话题。纯粹从理论上讲，如果我们假设过度训练是从错误开始增长时开始的，那么实质上我们应该在错误开始增长时或之前停止训练。这是一个检测方法本身的问题。什么样的评价方法能实现它是另一个问题，但错误开始增长是再培训开始的标志，这一事实是天才的。没有任何讽刺意味 :-)现在我将思考什么能让它成为可能......
 
Mihail Marchukajtes:
而这实际上是一个话题，当在优化过程中，错误起初减少，因此开始增长。纯粹从理论上讲，如果我们假设 在错误开始增长时就开始过度训练，那么事实上我们应该在错误开始增长的那一刻或在它之前就停止训练。这是一个检测方法本身的问题。什么样的评价方法能实现它是另一个问题，但 错误开始增长是再培训开始的标志，这一事实是天才 的。没有任何讽刺意味 :-)现在我将思考什么能使它成为可能......

这是一个长期已知的确定过度训练的方法，我想大约有50年的时间，即从神经网络和树的最开始。例如，见V. Perervenko的文章。
在这种情况下，我不清楚不同的错误行为。通过RMSE，我们可以确定重新训练的开始，而通过其他方式则不能。

 
elibrarius:

这是一个长期以来众所周知的确定过度训练的方法，我想，大约有50年了，也就是说，从神经网络和树的一开始就这样了。例如，见V. Perervenko的文章。
在这种情况下，我不清楚不同的错误行为。通过RMSE，你可以确定重新训练的开始，通过其他方式则不能。

是吗？我真是个傻子 :-)
 
elibrarius:

我发现不同错误检测方法的行为有一个奇怪的特点。回归模型。与教师学习y=0或1。泰坦尼克号的数据。

对于火车 来说，一切都应该是这样的，我们的教学越强，所有方法的错误就越少。

在OOV 时，RMSE误差达到0.370671，然后开始增长，说明过度训练已经开始。但AvgEr和AvgRelEr不断进一步下降。在我看来，所有的误差应该表现得同步，也就是说，它们应该随着RMSE开始上升。
计算公式。

计算方法非常相似（平方（Sqr）和价值模数（fabs）去掉了符号），但曲线的行为是不同的......。
用分类模型重复训练，在RMSE达到0.370671 的时候也有一个最小值。
有谁遇到过这样的错误行为？这怎么能解释呢？

就像SMA和EMA，AvrEr更滞后--我认为--是数字游戏。

 
有没有人处理过Keras，如何为LSTM准备数据？
[删除]  
Mihail Marchukajtes:
这就是问题所在：没有档案。我们早就建议开发商将OM列入抄本，这样就可以从历史中取材。但似乎有一些限制。作为一种选择，我可以问为我做的那个哥们。他一直在写，但不是为所有的符号。我停止写它完全是因为指标表现不佳:-(。

米沙，我为你录制了一段视频。

 
Maxim Dmitrievsky:

米沙，我给你做了一个视频，我很快就会上传。

请讲。让我们看看是什么样的野兽 :-)
1...184718481849185018511852185318541855185618571858185918601861...3399
新评论