交易中的机器学习：理论、模型、实践和算法交易 - 页 3353 1...334633473348334933503351335233533354335533563357335833593360...3399 新评论 СанСаныч Фоменко 2023.12.24 13:42 #33521 Maxim Dmitrievsky #: 批量思维在 作祟。这些并不是概率，它们之所以被称为概率，是因为使用了黄土 fi 来估算可能性。 。 如何获得真实的类概率？ 别无他法！我们使用现成的 MO 算法，这些算法附带一系列附加函数。所有这些都被称为 "软件包"。 什么是"真实类概率"？例如，函数 predict(object, newdata, type = c("vector", "probs", "both","F")) 返回 "概率类估计值"。除 "估计值 "外，算法中不能包含其他概率。 Renat Akhtyamov 2023.12.24 15:26 #33522 别吵，伙计们，我们在听呢。 打开锁） Maxim Dmitrievsky 2023.12.24 15:43 #33523 СанСаныч Фоменко #:没有其他的思维方式！我们使用现成的 MO 算法，并辅以一系列附加功能。所有这些都被称为 "软件包"。什么是"真实类概率"？例如，函数 返回"概率类估计值"。除 "估计值 "外，算法不能包含其他概率。 问题不在于它能包含什么。而是如何获得可靠的类概率。这样你就可以确定，在类概率为 0.8 的情况下，80% 的病例都能被正确预测。例如，你可以使用一个阈值。分类器的输出在大多数情况下并不能做到这一点，我再重复一遍。它们要么 "有意 "高估，要么 "有意 "低估。这就是阈值不起作用的原因。真正的概率是既不高估也不低估。你已经表明你不知道。所以还有更多东西要学。所以，"我们需要掌握所有 MOE"，摆脱批量思维。 Aleksey Nikolayev 2023.12.24 16:57 #33524 这似乎不是关于概率的点估计，而是关于概率的区间估计。对于 matstat 来说，这是一种常见的方法--不仅要获得概率的具体数值估计值，还要获得该估计概率的真值以给定的精度（概率）落入的区间。这里有一些理解上的困难，因为概率的概念包含两个不同的假说--估计值本身和估计的准确性。而这两种概率是完全不同的） 虽然我没有详细研究过保形预测，但我可能是错的。 СанСаныч Фоменко 2023.12.24 17:37 #33525 Maxim Dmitrievsky #: 问题不在于他能做什么。而是如何获得可靠的类概率。这样你就能确定，在类概率为 0.8 的情况下，80% 的病例都能被正确预测。例如，你可以使用一个阈值。分类器的输出在大多数情况下并不真实，我再重复一遍。 它们要么 "有意 "高估，要么 "有意 "低估。这就是阈值不起作用的原因。真正的概率是既不高估也不低估。 你的数据不是这样的，引用的 0.8 是分类概率之一。 这是分类概率的直方图。 我就是这么做的，没有其他方法，因为如果不是这样，就意味着训练过度。对我来说，在固定阈值下，OOV 和 OOS 以及 VNE 文件的预测误差不匹配是过度训练的主要标志。我的阈值设置得很好。而 "真实概率 "只是虚构的概念，与实际代码和术语无关。 Maxim Dmitrievsky 2023.12.24 17:53 #33526 СанСаныч Фоменко #:您弄错了。给出的 0.8 是分类概率值之一。 我就是这么做的，没有其他方法，因为如果不同，就意味着过度训练。对我来说，在固定阈值下，OOV 和 OOS 以及 VNE 文件的预测误差不匹配是过度训练的主要标志。我的阈值设置得很好。而 "真实概率 "只是虚构的概念，与真实世界的代码和术语毫无关系。 你是如何意识到你的阈值工作正常的？对你来说这是幻想，而对别人来说这很平常。 Maxim Dmitrievsky 2023.12.24 17:54 #33527 Aleksey Nikolayev #:这似乎不是关于概率的点估计，而是关于概率的区间估计。对于 matstat 来说，这是一种常见的方法--不仅要获得概率的具体数值估计值，还要获得该估计概率的真值以给定的精度（概率）落入的区间。这里有一些理解上的困难，因为概率的概念包含两个不同的假定--估计值本身和估计的精确度。而这些是完全不同的概率）虽然我没有详细研究过保形预测，也可能是我错了。 我们谈论的是一种略有不同的方法，在有人上网搜索之前:) СанСаныч Фоменко 2023.12.24 18:15 #33528 Maxim Dmitrievsky #: 您是如何发现自己的阈值工作正常的？ 对你来说这很神奇，而对有些人来说这很平常。 OOV 和 OOS 以及 INE 文件的匹配预测误差 Maxim Dmitrievsky 2023.12.24 18:16 #33529 СанСаныч Фоменко #: ALE 和 OOS 以及 SNE 文件的匹配预测误差 您是如何发现分类器给出的概率是正确的？而不仅仅是范围内的值。你读懂了写给你的内容吗？如果您设置的阈值是 0.8，那么 80% 的交易都能盈利吗？如果是 0.51 呢？几乎可以肯定不会。看看吧 Aleksey Vyazmikin 2023.12.24 18:26 #33530 Maxim Dmitrievsky #: 你是如何意识到分类器给出的概率是正确的？而不仅仅是范围内的值。你读懂别人写给你的东西了吗？ 模型的概率是由训练样本的统计数据给出的。 因此，如果没有代表性样本，它们就不准确，所以别再想了:) 要么搞清楚模型是由什么组成的，然后根据你设计的算法重新给叶子加权... 1...334633473348334933503351335233533354335533563357335833593360...3399 新评论 原因: 取消 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
批量思维在 作祟。这些并不是概率，它们之所以被称为概率，是因为使用了黄土 fi 来估算可能性。 。
别无他法！我们使用现成的 MO 算法，这些算法附带一系列附加函数。所有这些都被称为 "软件包"。
什么是"真实类概率"？例如，函数
返回 "概率类估计值"。除 "估计值 "外，算法中不能包含其他概率。别吵，伙计们，我们在听呢。
打开锁）
没有其他的思维方式！我们使用现成的 MO 算法，并辅以一系列附加功能。所有这些都被称为 "软件包"。
什么是"真实类概率"？例如，函数
返回"概率类估计值"。除 "估计值 "外，算法不能包含其他概率。这似乎不是关于概率的点估计，而是关于概率的区间估计。对于 matstat 来说，这是一种常见的方法--不仅要获得概率的具体数值估计值，还要获得该估计概率的真值以给定的精度（概率）落入的区间。这里有一些理解上的困难，因为概率的概念包含两个不同的假说--估计值本身和估计的准确性。而这两种概率是完全不同的）
虽然我没有详细研究过保形预测，但我可能是错的。
问题不在于他能做什么。而是如何获得可靠的类概率。这样你就能确定，在类概率为 0.8 的情况下，80% 的病例都能被正确预测。例如，你可以使用一个阈值。分类器的输出在大多数情况下并不真实，我再重复一遍。 它们要么 "有意 "高估，要么 "有意 "低估。这就是阈值不起作用的原因。真正的概率是既不高估也不低估。
你的数据不是这样的，引用的 0.8 是分类概率之一。 这是分类概率的直方图。
我就是这么做的，没有其他方法，因为如果不是这样，就意味着训练过度。对我来说，在固定阈值下，OOV 和 OOS 以及 VNE 文件的预测误差不匹配是过度训练的主要标志。我的阈值设置得很好。而 "真实概率 "只是虚构的概念，与实际代码和术语无关。
您弄错了。给出的 0.8 是分类概率值之一。
我就是这么做的，没有其他方法，因为如果不同，就意味着过度训练。对我来说，在固定阈值下，OOV 和 OOS 以及 VNE 文件的预测误差不匹配是过度训练的主要标志。我的阈值设置得很好。而 "真实概率 "只是虚构的概念，与真实世界的代码和术语毫无关系。
这似乎不是关于概率的点估计，而是关于概率的区间估计。对于 matstat 来说，这是一种常见的方法--不仅要获得概率的具体数值估计值，还要获得该估计概率的真值以给定的精度（概率）落入的区间。这里有一些理解上的困难，因为概率的概念包含两个不同的假定--估计值本身和估计的精确度。而这些是完全不同的概率）
虽然我没有详细研究过保形预测，也可能是我错了。
您是如何发现自己的阈值工作正常的？
ALE 和 OOS 以及 SNE 文件的匹配预测误差
你是如何意识到分类器给出的概率是正确的？而不仅仅是范围内的值。你读懂别人写给你的东西了吗？
模型的概率是由训练样本的统计数据给出的。
因此，如果没有代表性样本，它们就不准确，所以别再想了:)
要么搞清楚模型是由什么组成的，然后根据你设计的算法重新给叶子加权...