交易中的机器学习：理论、模型、实践和算法交易 - 页 2827 1...282028212822282328242825282628272828282928302831283228332834...3399 新评论 mytarmailS 2022.12.04 03:23 #28261 https://youtu.be/4yrp71kAZxU. Aleksey Vyazmikin 2022.12.04 05:10 #28262 mytarmailS #: https:// youtu.be/4yrp71kAZxU . 那么，它有什么有趣之处呢？ Andrey Dik 2022.12.05 09:00 #28263 在训练神经元时，你有多大把握它不会卡在本地的某个地方？ Maxim Dmitrievsky 2022.12.05 11:11 #28264 Andrey Dik #: 在训练神经元时，你有多大把握它不会被卡在本地的某个地方？ 在神经元学中，分批训练有助于避免在其他优化算法中，多次运行或分批运行也很有用，例如再加上调整梯度步骤和其他技巧。 你仍然应该通过改变超参数来探索最佳值附近的情况，看看系统的生存能力如何。 mytarmailS 2022.12.06 09:53 #28265 分批优化算法?????) Andrey Dik 2022.12.06 10:25 #28266 Maxim Dmitrievsky #:在神经元学中，分批进行有助于避免在其他优化算法中，多次运行或分批运行也很有用，例如再加上调整梯度步骤和其他技巧。 你还需要探索最佳值的邻域，然后通过改变超参数来了解系统的生存能力。 我不好意思问，什么是批次？ 不，我是说，你怎么能确定神经元不会卡在某个地方？ 它是否经过抗干扰测试？ Maxim Dmitrievsky 2022.12.06 10:31 #28267 Andrey Dik #:我不好意思问，什么是批次？不，我的意思是，你怎么能确定神经元不会卡在某个地方？ 它是否经过抗卡测试？ 在新数据上进行测试，比如提前停止。 当误差在训练数据上下降，而在新数据上开始增长时，它就会停止。只要它在新数据上没有开始增长，就说明它还没有卡住。 批次是用于训练的数据包：没有必要一次性训练整个数据集，可以将数据分成若干数据包，在每次迭代时对其进行训练。 由于每个数据包中的最优值各不相同，因此平均值会低于所有数据包的最优值。 原则上很难判断最优值是多少。如果样本发生了偏移，该怎么办？ 如何在偏移的子样本中找到这个全局最优值？ 如果这个问题原则上是关于优化算法的，那么你问得没错。但如果你开始移动样本，问题就比这个问题更多了。 如果你能从理论到实践再进一步的话:) Andrey Dik 2022.12.06 11:07 #28268 Maxim Dmitrievsky #:对新数据进行测试，例如通过提前停止当误差在训练数据上下降，而在新数据上开始增长时。只要误差没有在新数据上开始增长，就说明我们还没有陷入困境批次是用于训练的数据包：没有必要一次性训练整个数据集，可以将数据分成若干数据包，在每次迭代时对其进行训练。由于每个数据包中的最优值各不相同，因此所有数据包的平均值都会低于最优值。原则上很难判断最优值是多少。如果样本发生了偏移，该怎么办？ 如何在偏移的子样本中找到这个全局最优值？如果这个问题原则上是关于优化算法的，那么你问得没错。但如果你开始移动样本，问题就比这个问题更多了。如果你能从理论到实践再进一步的话:) 我没有办法检查抗干扰性。 你说的 "误差在训练的误差上下降，而在新的误差上开始增长 "并不是测试抗干扰性，而只是停止训练的标准。 我的问题是关于这里的人用来训练神经元的优化算法，而不是关于提高神经元在新数据上的稳定性，这是第二阶段的问题。嗯，第一阶段的问题在这里还没有讨论过呢))))。 Maxim Dmitrievsky 2022.12.06 11:10 #28269 Andrey Dik #:啊，我猜对了你的第一个答案，没有办法测试抗干扰性。你说的 "训练过的误差减小，新的误差开始增大 "并不是测试抗干扰能力，而只是停止训练的标准。我的问题是关于这里的人用来训练神经元的优化算法，而不是关于提高神经元在新数据上的稳定性，这是第二阶段。第一阶段在这里根本没有讨论过，))))。 嗯，好像是的，还没有讨论过。神经元中最流行的是亚当优化算法。也许你也可以测试一下 Andrey Dik 2022.12.06 11:26 #28270 Maxim Dmitrievsky #: 嗯，算是吧，是的，没讨论过。在神经元中，最流行的是亚当优化算法。也许你也可以测试一下 就是这样，根本没讨论过。 在实践中，这意味着神经元会训练不足，也就是说，与使用抗干扰性更强的 AO 相比，新数据的误差会更早开始增长。 1...282028212822282328242825282628272828282928302831283228332834...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
https:// youtu.be/4yrp71kAZxU
那么，它有什么有趣之处呢？
在训练神经元时，你有多大把握它不会被卡在本地的某个地方？
在神经元学中，分批训练有助于避免
在其他优化算法中，多次运行或分批运行也很有用，例如
再加上调整梯度步骤和其他技巧。
你仍然应该通过改变超参数来探索最佳值附近的情况，看看系统的生存能力如何。在神经元学中，分批进行有助于避免
在其他优化算法中，多次运行或分批运行也很有用，例如
再加上调整梯度步骤和其他技巧。
你还需要探索最佳值的邻域，然后通过改变超参数来了解系统的生存能力。我不好意思问，什么是批次？
不，我是说，你怎么能确定神经元不会卡在某个地方？ 它是否经过抗干扰测试？
我不好意思问，什么是批次？
不，我的意思是，你怎么能确定神经元不会卡在某个地方？ 它是否经过抗卡测试？
在新数据上进行测试，比如提前停止。
当误差在训练数据上下降，而在新数据上开始增长时，它就会停止。只要它在新数据上没有开始增长，就说明它还没有卡住。
批次是用于训练的数据包：没有必要一次性训练整个数据集，可以将数据分成若干数据包，在每次迭代时对其进行训练。
由于每个数据包中的最优值各不相同，因此平均值会低于所有数据包的最优值。
原则上很难判断最优值是多少。如果样本发生了偏移，该怎么办？ 如何在偏移的子样本中找到这个全局最优值？
如果这个问题原则上是关于优化算法的，那么你问得没错。但如果你开始移动样本，问题就比这个问题更多了。
如果你能从理论到实践再进一步的话:)
对新数据进行测试，例如通过提前停止
当误差在训练数据上下降，而在新数据上开始增长时。只要误差没有在新数据上开始增长，就说明我们还没有陷入困境
批次是用于训练的数据包：没有必要一次性训练整个数据集，可以将数据分成若干数据包，在每次迭代时对其进行训练。
由于每个数据包中的最优值各不相同，因此所有数据包的平均值都会低于最优值。
原则上很难判断最优值是多少。如果样本发生了偏移，该怎么办？ 如何在偏移的子样本中找到这个全局最优值？
如果这个问题原则上是关于优化算法的，那么你问得没错。但如果你开始移动样本，问题就比这个问题更多了。
如果你能从理论到实践再进一步的话:)
我没有办法检查抗干扰性。
你说的 "误差在训练的误差上下降，而在新的误差上开始增长 "并不是测试抗干扰性，而只是停止训练的标准。
我的问题是关于这里的人用来训练神经元的优化算法，而不是关于提高神经元在新数据上的稳定性，这是第二阶段的问题。嗯，第一阶段的问题在这里还没有讨论过呢))))。
啊，我猜对了你的第一个答案，没有办法测试抗干扰性。
你说的 "训练过的误差减小，新的误差开始增大 "并不是测试抗干扰能力，而只是停止训练的标准。
我的问题是关于这里的人用来训练神经元的优化算法，而不是关于提高神经元在新数据上的稳定性，这是第二阶段。第一阶段在这里根本没有讨论过，))))。
嗯，算是吧，是的，没讨论过。在神经元中，最流行的是亚当优化算法。也许你也可以测试一下
就是这样，根本没讨论过。
在实践中，这意味着神经元会训练不足，也就是说，与使用抗干扰性更强的 AO 相比，新数据的误差会更早开始增长。