В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования. Понятие о нейронных сетях...
回到CatBoost模型的可视化问题上，以便分析其视角。
这就是模型在训练样本上的样子。
x轴是logistic函数的概率值，y轴是在0.05值的区间内的百分比。
- Razdel（蓝色）--样本中的所有数值。
- 目标=1（磁铁）--目标1的值
- 目标=0（水）-目标值为0
- Balans+（浅蓝色）--与所有利润和亏损相比，导致利润的财务结果，该值按比例调整，以适应图表的要求
- Balans-(砖头) - 导致关于所有利润和损失的财务结果，该值按比例调整以 适应图表。
- 圆圈--这是按比例的平衡值--我们关注的是来自X坐标零值的零值--为说明问题而做。
垂直水线 - 最大值 目标=0
磁铁垂直线 - 最大目标=1值
红色的垂直线--在CatBoost中分类的条件划分为0.5，默认为0--为了清晰起见。
我认为，水蓝色和磁铁色的线与红色垂直线的距离越远，模型在分离类别方面就越有信心。同样值得观察的是平衡线，在训练过程中，它们也是两边间隔的--这与模型特别相关，因为利润和损失可能有不同的值，所以，例如，一个模型可能很好地过滤小的损失，但在大的损失上却输了，尽管根据分类准确值将超过0.5。
我们进一步看一下测试样本
我们可以看到，垂直线--红色和磁铁矿--已经变得更近了，但它们的相对位置没有改变，这已经很好了（恰好磁铁矿在<0.5的区域）。平衡线已经移到了一起，这是令人失望的。在0.5的概率之后有一个损失区，这表明模型的质量不足。
进一步说，我们可以看一下测试样本的结果。
在右边（概率超过0.5），情况看起来比测试样本好，这可能表明测试样本是一个罕见的情况，在训练中类似的例子很少，或者模型没有被完全训练。赞成后一种假设的事实是，有些区域的平衡线Balans+（表示积极的财务结果）与平衡 线Balans-相交，这在观察表示某一概率区盈亏之间的三角洲的圆圈时也可以看到，在概率区 小于0.5。
好吧，让我们看看考试样本上的余额。
你可以清楚地看到，市场的特征已经发生了变化，这可以在图表的2/3处看到 - 我们应该继续研究这个模型。
而这里是一个明显不好的模型的例子
在测试样本上，人们已经可以看到整个身体向左边部分的强烈移动，也就是说，模型对样本的了解非常少--完整性很低，目标1积累的峰值在概率的左边部分后面。值得注意的是，在学习上仍有收获。
让我们来看看测试和检查样本
在测试样本上，我们已经可以看到，所有在概率0.5以外的线都是非常强的连接，在测试样本上，我们可以观察到平衡线是如何互换位置的。
基本上我有一个空的网络 （我只训练它，以便它能被初始化，因为它不是自己写的，而是来自一个包）。
我可以想到任何抽象概念，任何目标，并写一个健身函数。
然后 让遗传学 开始改变网的权重，以便在训练和测试中我 （网） 收到与我的目标相似的东西。
而这比创建标签和拟合回归或分类要深刻一千倍"。
你回到了2年前，当时我们谴责用MT5优化器训练神经元。
而我在写这样的机器人。这是一个带有一堆参数的普通优化。
看看吧。
https://www.mql5.com/ru/articles/497
你回到了两年前，当时有人谴责通过MT5优化器进行的神经元训练。
而我在写这样的机器人。这是一个有很多参数的常见优化。
读下去。
https://www.mql5.com/ru/articles/497
我试过用最大的利润，我可以用别的东西来训练它。
听着，如果你不是太懒，试着在最大利润上训练catbust，我不确定它在那里是如何工作的。
你必须同时提供X-数据和Y-目标。
也许所有这些 "定制 "都只是对现有功能的外观修改。
回到CatBoost模型的可视化问题上，以分析其视角。
我认为像这样的大型研究应该写成博客并复制到这里。6个月后，你将无法在这里找到它......
也许--我只是不使用博客，所以我没有想到。
我在想，我可以把图形中的所有这些点（每条曲线20个）放到一个样本中，并尝试学习--也许这样我们可以以更高的概率识别具有潜在稳定性的模型。
也许--我只是不使用博客，所以我没有想到这一点。
我在想，我可以把图形中的所有这些点（每条曲线20个）放到一个样本中，并尝试学习--也许这样我们就能以较高的概率识别出具有潜在稳定性的模型。
目标会是什么？如何给每个例子做标记？还是通过自学？
目标将是考试样本上的模型的财务结果。
我只是想获得最大的利润，我可以为其他事情进行训练。
听着，如果你不是太懒，试着在最大利润上训练卡特布斯，我不确定它在那里是否有效
你必须同时提供X-数据和Y-目标。
也许所有这些 "定制 "都只是对现有功能的外观改变。
懒得写新的指标......而且肯定不会是最大利润，而是更有意义的东西
例如，Lyapunov稳定性）。
懒得写新的指标了......而且到时候肯定不是最大利润，而是更有意义的东西。
就像李亚普诺夫的稳定性一样）））。
你不需要一个平整的场地，也不需要密度））。在我们的业务中，这很罕见。
回到CatBoost模型的可视化问题上，以便分析其视角。
是的，分布图通常显示一切。你可以只做这些标志，没有任何提升，并立即看到