Потребовалась функция ГСЧ с гнерацией числа Int от 0 до любого значения. Получилась такая функция. Думаю распределение получилось равномерным. На форуме посоветовали другую функцию из статьи. Отбросив лишнее, получилось: Сделал сравнение по скорости обоих функций, оригинальной из статьи и просто MathRand(): Оригинальная из статьи Rnd.Rand_01...
你可以在火车或测试内部混合，但没有意义，你不能在火车和测试之间混合。你没有碰巧把它们混在一起，对于一个有考试的测试来说，这是一个非常好的结果。
我没有把它们混在一起，结果就是测试样本不是很好--召回率很小。
但洗牌是可以的，如果我们相信模式是稳定的，而且在样本的最后阶段没有减少。就在这里，文件可以在循环的帮助下形成，有些参数就是没有进入研究区。
我没有混合，结果就是测试样本不是很好--召回率很低。
但是，如果我们认为模式是稳定的，并且在样本结束时没有减少，那么洗牌是完全可能的。该文件可能是用一个循环来塑造的，有些参数只是没有进入测试区。
如果你把它混合起来，测试会立即改善--会有一个偷看，在相邻的酒吧。也就是说，一个小节（10:00）在追踪中，相邻的小节（10:01）在测试中，它们彼此非常相似，无论是在过去还是在目标中。
样本中的酒吧是否轮流？我根本不在每个柱子上进行训练，我只取信号，在这种情况下，我相信混合样本是可能的--它增加了要训练的信息量而不增加样本量，根据我的数据，这改善了测试样本。
样本中的条形图是一个一个地出现的吗？
我已经删除了该文件，请检查你自己的。我认为一个接一个地生成CSV文件是最合理的方式。
我已经删除了该文件，请检查你自己的。我认为一个接一个地生成CSV文件是最合理的方式。
那里有一些东西--我不知道它是什么。
那里有一些东西--我不知道它是什么。
等待文件主机的回音。
顺便说一下，我取了1%的样本并训练了C4.5树--它在训练和测试样本上给出了100%的识别率，所以我认为这是关于有序的循环，需要进行洗牌。但是我在MQL5中没有一个好的混合算法--我可以直接从测试样本和控制样本中抽出n行，从而形成一个测试样本--然后我又会在类平衡方面遇到一些运气，而循环在这里就不好说了。
只是我不在每个柱子上训练，我只取信号，在 这种情况下，我认为有可能混合样本--它增加了训练的信息量，而不增加样本量，根据我的数据，这可以改善考试样本。
也许你可以，但我不认为你应该把一些未来的东西扔到轨道上，在真正的交易中你不能这样做。让未来在训练和现实中都保持未知。
测试和考试，而且必须一直更好和更差。这很正常。最主要的是要站在有利的一面。
使用交叉验证（你可能有内置的），或者更好的是滚动式前进。
顺便说一下，我取了1%的样本并训练了C4.5树--它在训练和测试样本上给了我100%的识别率，所以我认为这是关于有序的循环，需要进行洗牌。但我在MQL5中没有好的混合算法--我可能只是从测试和控制样本中抽出n条线，从而形成一个测试样本--在类平衡方面我又要倒霉了，而且循环在这里也不好使。
也许你可以，但我不认为你应该把未来的一部分扔给受训者，在真正的交易中你不能这样做。让未来在训练中保持未知，因为它在现实中是未知的。
测试和考试，而且必须一直更好和更差。这很正常。最主要的是要站在有利的一面。
使用交叉验证（可能有一个内置的），甚至更好的是，告别者向前。
如果你不这样做，不像马克西姆那样做，从末端学习，我们最终会从非常过时的数据中学习，这不是好事。我不建议接触考试样本，但培训和控制样本，我想我们可以。然后，如果我们取得了稳定的性能，那么，知道了基本模型的设置，我们就可以更接近边缘的学习，在现实生活中应用这个模型。
我还没有解决交叉验证的问题--它需要在那里实现自动化，但我还没来得及做。
但蚕食测试--是的，这是正确的方法，但对我来说总是缺少历史，我在选择树叶时使用这种方法--即使在已经训练过的样本上也有最好的帮助，因为通常树叶的反应在整个样本上是不均匀的，我只需要稳定的树叶。
这是一个很好的混合方式 https://www.mql5.com/ru/blogs/post/735953
顺便说一下，你有没有见过这样的生成器，它能从数组中随机生成一个没有重复的数字--这正是我需要的。