交易中的机器学习：理论、模型、实践和算法交易 - 页 2206

[mytarmailS]

Maxim Dmitrievsky:

我已经让机器人实时运行了。你想让狂妄的妈咪交易员再跳到这里来吗？这就像密度估计一样，是同一件事（gmm和autoencoder是同一件事，按医生的说法）。只是，编码器你可以从任何东西上撕下来，包括递归层，也就是说，它是一个更高级的模型。如果你进行幻想，你可以对本质进行类比，是的

扰流警报。后来当我试图找到它如此工作的原因时，我发现了它。最初是自己想出来的:)

没有现成的半监督学习 软件包吗？

在那里，一切都应该准备好了，可以使用

[[删除]]

mytarmailS:

看，难道没有任何现成的半监督学习 包吗？

应该有一个在那里。

有的。但并不是所有煮熟的东西都能吃的

[mytarmailS]

Maxim Dmitrievsky:

吃了。但并不是所有煮熟的东西都能吃。

你试过吗？

毕竟，他们做你所做的，但在自动机上+你可以选择不同的方法，不仅通过分布来模拟数据

[[删除]]

mytarmailS:

你试过吗？

毕竟，他们做了你所做的，只是在自动+你可以选择不同的方法，而不仅仅是在分布上对数据进行建模。

我已经在路上了......或者正在进行中。

你认为我写文章是为了自我发现，而不是为了吹嘘。在你写作的时候，你会自己想出办法。

[Valeriy Yastremskiy]

Maxim Dmitrievsky:

我已经在路上了......或者正在进行中。

你认为我为什么要写文章？ 为了自己搞清楚，不是为了吹嘘。只要你写作，你就会意识到

我正在努力向医生解释我在做什么，效果是积极的，你可能会赶上。扬声器失调的事实都是垃圾))))

[[删除]]

Valeriy Yastremskiy:

这是一个事实，除非你向别人解释，否则你也不明白，甚至我朋友的医生也试图向他解释我的做法，说实话，这有积极的作用，你自己明白。而与你交谈的人没有任何线索的事实都是胡说八道 -))))

它是真实的））。

[mytarmailS]

马克西姆-德米特里耶夫斯基。

我在文章中对你的理解是否正确。

1）你拿一小块真实的数据，标上标签

2) 你训练一个半...模型

3)在大量的 真实数据上 测试半...模型

4）以此类推，直到你找到一个好的半......模型，对大量 的真实数据做出充分的反应。

[[删除]]

mytarmailS:

我在文章中对你的理解是否正确。

1）你拿一小块真实的数据，标上标签

2）你训练半...模型

3) 你在更大的真实数据图上 测试半...模型

4）以此类推，直到你找到一个好的半成品 模型，它能充分响应一大 段真实数据。

然后我再看一下参考区，检查所有通道中的好模型的数量。如果有很多人，那就是一个优点。

[mytarmailS]

Maxim Dmitrievsky:

然后我还看了看控制区，看到所有过道上都有很多好的模型。如果有很多人，那就是一个优点。

听着！我 不 认为这都是 半......模型的 错，这是一个不良标签的问题。

我们的 "监督标识 "对市场来说太不充分了，它只是让它更充分一点，仅此而已......

而如果你做了充分的标记，你可以得到更好的结果......。

我的意思是，不要把训练作为一个分类问题，而是作为一个优化问题......把模型作为一个搜索最小/最大的问题来教。

的一个函数，例如利润最大化+佣金，这将是最充分的leibeling...

想一想吧。

[[删除]]

mytarmailS:

听着！在我看来，这一切都 不是半......模型的优点，而是不良标签的问题。

我们的 "手工打标 "对市场来说太不充分了，它只是让它更充分一点，仅此而已......

如果你做了充分的标记，你可以得到更好的结果......。

我的意思是，不要把训练作为一个分类问题，而是作为一个优化问题......把模型作为一个搜索最小/最大的问题来教。

的一个函数，例如利润最大化+佣金，这将是最充分的leibeling...

想一想吧...

这就是它所说的，做充分的分区是昂贵的，而且通常是未知的......所以半监督学习在许多情况下可能效果更好。

它已经在海豹突击队和其他许多事情上进行了测试，显示效果不错。同样的文章来自dipmind...