交易中的机器学习：理论、模型、实践和算法交易 - 页 2015 1...200820092010201120122013201420152016201720182019202020212022...3399 新评论 Aleksey Vyazmikin 2020.10.11 21:47 #20141 Maxim Dmitrievsky: 所有芯片的进出，隐藏层中的神经元就会减少。它只是通过最小化输出中的误差来压缩信息。输入应该等于输出（理想情况下）。然后，NS的第二部分在训练后被丢弃，你在输出端得到的压缩特征等于隐藏层的神经元数量。你可以添加递归层，等等。google自动编码器。及其变种。 是的，我都明白了，谢谢，我只是不明白是如何训练一个网络，让它一次对一个样本行做出多个反应。目前还不清楚如何对树木进行... Алексей Тарабанов 2020.10.11 22:02 #20142 Aleksey Vyazmikin: 是的，我都明白了，谢谢你，我只是不明白如何训练网络，让它一次对一个样本字符串给出多个反应。那里的度量是什么，有了树，就不清楚如何能做到这一点...... 我根本不是专家，但首先--分解，当一个事件产生许多可能的原因。之后--重新组合，当所有这些可能的原因被分析为对这些原因的可能影响。其结果是，在控制一个事件时，可以影响少量的参数。 Maxim Dmitrievsky 2020.10.11 22:10 #20143 Aleksey Vyazmikin: 是的，我都明白了，谢谢你，我只是不明白如何训练网络，让它一次对一个样本字符串给出多个反应。那里的度量是什么，有了树就不清楚这样的事情怎么做了...... 先用自动编码器或只用深度NS，根本没有什么意义。当你有很多相同的任务时，你需要它们。例如，压缩图像等，然后在其他NS中使用。 Aleksey Vyazmikin 2020.10.11 22:17 #20144 Alexei Tarabanov: 我完全不是一个专家，但首先是分解，一个事件会产生众多可能的原因。然后是重新组合，对所有这些可能的原因进行分析，找出对原因的可能影响因素。其结果是有少量的参数可以由事件控制。 并非如此--在那里，通过函数中的权重折射神经元中的数据，数值被折叠成一个单一的函数（有点像聚焦图像）。然后，知道了这些权重，它又被分解成各种成分，就像棱镜分解彩虹那样。我明白这个过程，但我不明白如何通过树木来进行。 Aleksey Vyazmikin 2020.10.11 22:19 #20145 Maxim Dmitrievsky: 先用自动编码器或只用深度NS，根本没有什么意义。当你有很多相同的任务时，你需要它们。例如，对图像等进行压缩，然后将其作为其他n的嵌入。 也许在树上训练正是这些 "瓶颈 "神经元是有意义的。即减少预测因子的数量。 Алексей Тарабанов 2020.10.11 22:31 #20146 Aleksey Vyazmikin: 并非如此--在那里，通过函数中的权重折射神经元中的数据，数值被简化为一个单一的函数。然后，知道这些权重后，再次分解成各个组成部分，就像棱镜分解彩虹一样。我明白这个过程，但我不明白如何通过树木来进行。 不，先试试分解，你会明白的。 简单地说，分解遵循一个原则，连接遵循另一个原则。分析和综合。神经元以同样的方式在这里和那里工作，但在第一种情况下，事件被搁置，而在第二种情况下，它被聚集在影响事件的因素周围。 Maxim Dmitrievsky 2020.10.11 22:36 #20147 Aleksey Vyazmikin: 在树上训练这些特殊的 "瓶颈 "神经元可能是有意义的。也就是减少预测因子的数量。 说不通 压缩就是压缩。如果模型已经坏了，它不会做任何事情。而正则化有差不多的f函数。 Forester 2020.10.11 23:09 #20148 压缩输入数据时，会有损失。如果压缩是以检索相同的输入数据的能力来判断的，那么我们就会均匀地 失去信息，包括那些可以很好地预测目标的信息。 如果我们压缩只是为了获得目标函数，这是最好的选择。 我认为正常的学习就是这样。 我的结论是，只输入的压缩会降低后续在压缩数据上学习目标的质量。 但你最好做一个实验，而不是从理论上得出结论。 虽然你可以理解为什么Alexey在寻找一种降低维度的方法--他使用了脚手架和提升。在一棵树上，3000个输入中的大部分可能根本就不会被使用。森林和助推在这方面做得比较好，但恐怕用处不大。 Aleksey Vyazmikin 2020.10.11 23:58 #20149 Maxim Dmitrievsky: 没有必要压缩就是压缩。如果模型已经坏了，它将不会做任何事情。而正则化所做的事情或多或少都是一样的。 elibrarius: 在压缩输入数据时有损失。如果压缩是通过检索相同的输入数据的能力来评价的，那么我们就会均匀地失去信息，包括那些可以很好地预测目标的信息。 如果我们压缩只是为了获得目标函数，这是最好的选择。 我认为正常的学习就是这样。 我的结论是，只输入的压缩会降低后续在压缩数据上学习目标的质量。 但你最好做一个实验，而不是从理论上得出结论。 虽然你可以理解为什么Alexey在寻找一种降低维度的方法--他使用了脚手架和提升。在一棵树上，3000个输入中的大部分可能根本就不会被使用。森林和助推在这方面做得比较好，但恐怕也没什么用。 关于为什么这可能是有用的，有很多想法。 1.可以确定相互依赖的预测因素。 1.1. 用它们建立一个单独的模型，并评估其预测能力 1.2. 将它们从样本中排除，并评估它们对结果的影响。如果它们改善了结果，考虑创建类似的预测器 2.使用一个预测器而不是一组预测器。 1.这将使在建立模型时随机抽取的几率相等 2.通过降低维度来减少训练时间 是的，想测试一下，但我不知道有什么工具可以创建这样的模型出来。 顺便提出一个想法，为什么不在训练中使用破碎的函数（比如用量化--而不是步进线），这样可以使数据的准确性有一个差距，减少重新训练。 Maxim Dmitrievsky 2020.10.12 01:57 #20150 阿列克谢-维亚兹米 金。 这里有一个想法，为什么他们不在训练中使用破碎的函数（就像它的量化--而不是阶梯线），这将允许有一个数据准确性的反击，减少过度训练。 因为它不能被训练，所以会有解算器停留在局部最小值。至于想法--你不能从它那里得到任何东西，因为它是一个黑盒子。 1...200820092010201120122013201420152016201720182019202020212022...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
所有芯片的进出，隐藏层中的神经元就会减少。它只是通过最小化输出中的误差来压缩信息。输入应该等于输出（理想情况下）。然后，NS的第二部分在训练后被丢弃，你在输出端得到的压缩特征等于隐藏层的神经元数量。
你可以添加递归层，等等。
google自动编码器。及其变种。
是的，我都明白了，谢谢，我只是不明白是如何训练一个网络，让它一次对一个样本行做出多个反应。目前还不清楚如何对树木进行...
是的，我都明白了，谢谢你，我只是不明白如何训练网络，让它一次对一个样本字符串给出多个反应。那里的度量是什么，有了树，就不清楚如何能做到这一点......
我根本不是专家，但首先--分解，当一个事件产生许多可能的原因。之后--重新组合，当所有这些可能的原因被分析为对这些原因的可能影响。其结果是，在控制一个事件时，可以影响少量的参数。
是的，我都明白了，谢谢你，我只是不明白如何训练网络，让它一次对一个样本字符串给出多个反应。那里的度量是什么，有了树就不清楚这样的事情怎么做了......
先用自动编码器或只用深度NS，根本没有什么意义。当你有很多相同的任务时，你需要它们。例如，压缩图像等，然后在其他NS中使用。
我完全不是一个专家，但首先是分解，一个事件会产生众多可能的原因。然后是重新组合，对所有这些可能的原因进行分析，找出对原因的可能影响因素。其结果是有少量的参数可以由事件控制。
并非如此--在那里，通过函数中的权重折射神经元中的数据，数值被折叠成一个单一的函数（有点像聚焦图像）。然后，知道了这些权重，它又被分解成各种成分，就像棱镜分解彩虹那样。我明白这个过程，但我不明白如何通过树木来进行。
先用自动编码器或只用深度NS，根本没有什么意义。当你有很多相同的任务时，你需要它们。例如，对图像等进行压缩，然后将其作为其他n的嵌入。
也许在树上训练正是这些 "瓶颈 "神经元是有意义的。即减少预测因子的数量。
并非如此--在那里，通过函数中的权重折射神经元中的数据，数值被简化为一个单一的函数。然后，知道这些权重后，再次分解成各个组成部分，就像棱镜分解彩虹一样。我明白这个过程，但我不明白如何通过树木来进行。
不，先试试分解，你会明白的。
简单地说，分解遵循一个原则，连接遵循另一个原则。分析和综合。神经元以同样的方式在这里和那里工作，但在第一种情况下，事件被搁置，而在第二种情况下，它被聚集在影响事件的因素周围。
在树上训练这些特殊的 "瓶颈 "神经元可能是有意义的。也就是减少预测因子的数量。
说不通
压缩就是压缩。如果模型已经坏了，它不会做任何事情。而正则化有差不多的f函数。
如果我们压缩只是为了获得目标函数，这是最好的选择。
我认为正常的学习就是这样。
我的结论是，只输入的压缩会降低后续在压缩数据上学习目标的质量。
但你最好做一个实验，而不是从理论上得出结论。
虽然你可以理解为什么Alexey在寻找一种降低维度的方法--他使用了脚手架和提升。在一棵树上，3000个输入中的大部分可能根本就不会被使用。森林和助推在这方面做得比较好，但恐怕用处不大。
没有必要
压缩就是压缩。如果模型已经坏了，它将不会做任何事情。而正则化所做的事情或多或少都是一样的。
在压缩输入数据时有损失。如果压缩是通过检索相同的输入数据的能力来评价的，那么我们就会均匀地失去信息，包括那些可以很好地预测目标的信息。
如果我们压缩只是为了获得目标函数，这是最好的选择。
我认为正常的学习就是这样。
我的结论是，只输入的压缩会降低后续在压缩数据上学习目标的质量。
但你最好做一个实验，而不是从理论上得出结论。
虽然你可以理解为什么Alexey在寻找一种降低维度的方法--他使用了脚手架和提升。在一棵树上，3000个输入中的大部分可能根本就不会被使用。森林和助推在这方面做得比较好，但恐怕也没什么用。
关于为什么这可能是有用的，有很多想法。
1.可以确定相互依赖的预测因素。
1.1. 用它们建立一个单独的模型，并评估其预测能力
1.2. 将它们从样本中排除，并评估它们对结果的影响。如果它们改善了结果，考虑创建类似的预测器
2.使用一个预测器而不是一组预测器。
1.这将使在建立模型时随机抽取的几率相等
2.通过降低维度来减少训练时间
是的，想测试一下，但我不知道有什么工具可以创建这样的模型出来。
顺便提出一个想法，为什么不在训练中使用破碎的函数（比如用量化--而不是步进线），这样可以使数据的准确性有一个差距，减少重新训练。
这里有一个想法，为什么他们不在训练中使用破碎的函数（就像它的量化--而不是阶梯线），这将允许有一个数据准确性的反击，减少过度训练。