交易中的机器学习：理论、模型、实践和算法交易 - 页 500 1...493494495496497498499500501502503504505506507...3399 新评论 [删除] 2017.10.04 06:54 #4991 马克西姆-德米特里耶夫斯基。对不起，但到目前为止，你还没有在我的任何问题中证明你的价值，至少我还没有看到。而且，像 "显而易见的船长 "那样写作，把一切都颠倒过来，让自己看起来又有一点重要的意义，是没有任何意义的。你混淆了基本的东西。学习--你需要学习，为了你自己好。 学习而不是回击......ǞǞǞ而且我不需要向你证明什么。 Maxim Dmitrievsky 2017.10.04 06:57 #4992 Oleg avtomat: 你对基本知识感到困惑。学习--你需要学习，为了你自己好。 学习而不是回击.......我也没有必要向你证明什么。另一个出...而不是回答你是否能从脚手架上推断的简单问题 :D我举了一个明确的例子：没有。我被争论过，但没人能解释，现在我得去看书了，因为没人知道什么 :)对于那些对MO非常了解的人来说，这是一个非常简单的问题，但事实证明，没有人知道。当然，每个人都是愚蠢的，特别是在hubra上，每个人都在写文章，显然Leo Brayman也是愚蠢的。 [删除] 2017.10.04 07:05 #4993 马克西姆-德米特里耶夫斯基。 另一个最高...而不是回答脚手架是否能够推断的简单问题 :D我举了一个明确的例子：没有。我一直在争论，但没有人能够解释，现在我不得不去看书，因为没有人知道狗屎:)对于那些对MO了解很多的人来说，这是一个非常简单的问题，但事实证明没有人知道。如果你提出这样的问题，你就已经表明了你的理解和认识水平。 Maxim Dmitrievsky 2017.10.04 07:07 #4994 Oleg avtomat: 如果你这样提出问题，你就已经表明了你的理解和认识水平。所有，再见 ) [删除] 2017.10.04 07:10 #4995 马克西姆-德米特里耶夫斯基。 那就再见吧）。干杯，学习。 forexman77 2017.10.04 10:04 #4996 交易员博士。几乎是正确的，也有一个偏见，它被额外添加到结果中最有可能的是y1、y2、y3的值被用于内部神经元层，而这些值本身也应该被用作下一层的输入值或者，如果Y1,Y2,Y3是输出值，那么就用几个输出神经元进行分类--例如，如果Y1,Y2,Y3中最大的值是Y1，那么结果就是 "1类"，如果最大的值是Y2，那么结果就是 "2类"，如果最大的值是Y3，那么结果就是 "3类"。如果神经元将被用于回归而不是分类，那么输出神经元将只有一个。如果我们有两个类，我们可以只使用一个输出神经元（如果结果是<0.5，那么它将是Class1，如果>=0.5，那么它将是Class2）。为神经元的激活函数添加一个sigmoid是非常容易的，你需要这样一个函数而有了它，你已经有了一个成熟的神经元，有一个内层（有三个感知器）和一个输出感知器。结果 = Perceptron4[0]谢谢你的答复这对我来说是相当有帮助的。我认为它是一个偏向性神经元？说明中说，当输入为零时，它有帮助。在你看来，偏见神经元是用来做什么的，应该为它选择什么样的权重？基本上它只是一个重量。在sigmoid变换之后或之后检查阈值的最佳方法是什么？ forexman77 2017.10.04 10:12 #4997 交易员博士。一个神经元的权重数量可以是几万个或更多。在mql和R中，有专门的bibiloteks用于创建和训练神经元，最好使用它们，而不是从头开始编程自己的神经元。我的意思是，例如在mql4中，可以同时优化多达15个参数，而在mql5中则更多。而且似乎是调整了一层，然后用优化后的第一层调整第二层，等等。但如果我们能一次性优化所有的层就好了，但计算能力不允许我们这样做。我有一个推测，当图层被逐一优化时，在这种情况下，一些模式没有被系统看到。即使一个层被解析了，接下来的层也将基于第一层的假设。 СанСаныч Фоменко 2017.10.04 10:44 #4998 马克西姆-德米特里耶夫斯基。 另一个最高...而不是回答森林是否有能力推断的简单问题 :D另一个高...而不是回答一个简单的问题--森林是否可以推断 :D你还可以问一个问题：随机森林是甜的还是咸的？ 一般来说，你可以问一堆愚蠢的问题，甚至在互联网上挑选参考资料。如果有几个受过系统教育的论坛成员在这个问题上不糊涂，人们就不必回答。随机森林不能推断，因为EXTRAPOLATION这个词根本就不适用于它们。随机森林和其他机器学习模型一样，可以预测未来的数值，但它不是EXTRAPOLATION，事实上EXTRAPOLATION这个词在统计学中根本就不适用。原因就在这里。最初，EXTRAPOLATION一词是指函数，有公式的普通函数。比如说。у = а+ bх根据这个公式，你可以计算一个函数在原始定义领域内的值（内插法）和外推法。统计学中没有这样的公式。而这整个 "随机森林能否推断 "的事情与此有关，因为在统计学中，类似物看起来像。у ~ а + bх为了区分线性函数和线性回归，使用tilde而不是等号。这种区别抓住了一个事实，即，线性方程中的'a'不是线性回归中的'a'，正如tilde所表示的。这同样适用于 "b"。在第一个方程中，"a "是一个常数，而在第二个方程中，"a "是数学期望值，它伴随着一个方差值和一个带有我们看到的 "a "的那个值不存在的无效假设的概率的估计。如果这个不存在的概率超过10%，那么 "a "的值就可以不考虑了。现在回答你的问题。- 我们可以从回归方程中推断吗？- 不，你不能。但你可以预测一个随机变量的未来值，它将在一个置信区间内 取值。如果这个置信区间是95%（无效假设下5%的概率），那么我们在这个置信区间内得到 "y"。而如果你得到的 "a "的估计值是该值的方差倍数，你根本无法预测任何东西。我希望我详细解释了你这个在函数存在下有意义的问题，在统计学中根本就没有意义。 Maxim Dmitrievsky 2017.10.04 11:02 #4999 桑桑尼茨-弗门科。现在回答你的问题。- 你能根据回归方程进行推断吗？- 不，你不能。但是，预测一个随机变量的未来值是可能的，它将在置信区间 内取值。如果这个置信区间是95%（无效假设下5%的概率），那么我们在这个置信区间内得到 "y"。如果你得到的 "a "的估计值是该值的方差倍数，你根本无法预测任何东西。现在，请注意，没有这样的问题......。)有一个问题，比如说交易员博士。外推法意味着要预测训练期间已知的预测器数值以外的新数据。我想补充的是，不是预测者，而是目标，因为如果是预测者，那么我们处理的是内插法而不是外推法。所以，随机森林可以插值（它甚至不需要对输入进行归一化），但它不能推断。在统计学中，它是将过去既定的趋势延伸到未来的时期（时间上的外推法用于预期的人口估计）；将样本数据外推到另一部分未被观察到的人口（空间上的外推法）。如果你拿一棵回归树来说，它将无法将其结果传播到新的数据上，例如传播到1.4500以上的报价上，它将永远给出1.4500的预测，但绝不会超过也不会低于1.3000，因为它是在1.3000-14500的样本上训练的，例如（作为目标），这来自决策树的原理。与树不同，线性回归和神经网络可以很容易地做到这一点，因为它们是根据不同的原则建立的。再一次：训练区间之外的新数据可以被输入到新的射频样本上的输入，它可以完美地插值。但在输出端，它不会外推，也就是说，预测值永远不会超出它所训练的输出区间。 СанСаныч Фоменко 2017.10.04 12:21 #5000 马克西姆-德米特里耶夫斯基。 现在，请注意，没有这样的问题......。)有一个问题，比如说，指出了交易员博士。外推法意味着对新数据的预测超出了训练期间已知的预测器的值。我想补充的是，不是预测者，而是目标，因为如果是预测者，那么我们处理的是内插法而不是外推法。所以，随机森林可以插值（它甚至不需要对输入进行归一化），但它不能推断。在统计学中，它是将过去既定的趋势延伸到未来的时期（时间上的外推法用于预期的人口估计）；将样本数据外推到另一部分未被观察到的人口（空间上的外推法）。如果你拿一棵回归树来说，它将无法将其结果传播到新的数据上，例如传播到1.4500以上的报价上，它将永远给出1.4500的预测，但绝不会超过也不会低于1.3000，因为它是在1.3000-14500的样本上训练的，例如（作为目标），这来自决策树的原理。与树不同，线性回归和神经网络可以很容易地做到这一点，因为它们是根据不同的原则建立的。再一次：训练区间之外的新数据可以被输入到新的射频样本上的输入，它可以完美地插值。但在输出端，它不会外推，也就是说，预测值永远不会超出它所训练的输出区间。你对我的帖子一无所知。根本就没有。因为你的存在，对帖子感到抱歉。 1...493494495496497498499500501502503504505506507...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
对不起，但到目前为止，你还没有在我的任何问题中证明你的价值，至少我还没有看到。
而且，像 "显而易见的船长 "那样写作，把一切都颠倒过来，让自己看起来又有一点重要的意义，是没有任何意义的。
你混淆了基本的东西。学习--你需要学习，为了你自己好。 学习而不是回击......
ǞǞǞ
而且我不需要向你证明什么。
你对基本知识感到困惑。学习--你需要学习，为了你自己好。 学习而不是回击......
.
我也没有必要向你证明什么。
另一个出...而不是回答你是否能从脚手架上推断的简单问题 :D
我举了一个明确的例子：没有。我被争论过，但没人能解释，现在我得去看书了，因为没人知道什么 :)
对于那些对MO非常了解的人来说，这是一个非常简单的问题，但事实证明，没有人知道。
当然，每个人都是愚蠢的，特别是在hubra上，每个人都在写文章，显然Leo Brayman也是愚蠢的。
另一个最高...而不是回答脚手架是否能够推断的简单问题 :D
我举了一个明确的例子：没有。我一直在争论，但没有人能够解释，现在我不得不去看书，因为没有人知道狗屎:)
对于那些对MO了解很多的人来说，这是一个非常简单的问题，但事实证明没有人知道。
如果你提出这样的问题，你就已经表明了你的理解和认识水平。
如果你这样提出问题，你就已经表明了你的理解和认识水平。
所有，再见 )
那就再见吧）。
干杯，学习。
几乎是正确的，也有一个偏见，它被额外添加到结果中
最有可能的是y1、y2、y3的值被用于内部神经元层，而这些值本身也应该被用作下一层的输入值
或者，如果Y1,Y2,Y3是输出值，那么就用几个输出神经元进行分类--例如，如果Y1,Y2,Y3中最大的值是Y1，那么结果就是 "1类"，如果最大的值是Y2，那么结果就是 "2类"，如果最大的值是Y3，那么结果就是 "3类"。如果神经元将被用于回归而不是分类，那么输出神经元将只有一个。如果我们有两个类，我们可以只使用一个输出神经元（如果结果是<0.5，那么它将是Class1，如果>=0.5，那么它将是Class2）。
为神经元的激活函数添加一个sigmoid是非常容易的，你需要这样一个函数
而有了它，你已经有了一个成熟的神经元，有一个内层（有三个感知器）和一个输出感知器。
结果 = Perceptron4[0]
谢谢你的答复这对我来说是相当有帮助的。
我认为它是一个偏向性神经元？说明中说，当输入为零时，它有帮助。在你看来，偏见神经元是用来做什么的，应该为它选择什么样的权重？基本上它只是一个重量。
在sigmoid变换之后或之后检查阈值的最佳方法是什么？
一个神经元的权重数量可以是几万个或更多。在mql和R中，有专门的bibiloteks用于创建和训练神经元，最好使用它们，而不是从头开始编程自己的神经元。
我的意思是，例如在mql4中，可以同时优化多达15个参数，而在mql5中则更多。
而且似乎是调整了一层，然后用优化后的第一层调整第二层，等等。但如果我们能一次性优化所有的层就好了，但计算能力不允许我们这样做。
我有一个推测，当图层被逐一优化时，在这种情况下，一些模式没有被系统看到。
即使一个层被解析了，接下来的层也将基于第一层的假设。
另一个最高...而不是回答森林是否有能力推断的简单问题 :D
另一个高...而不是回答一个简单的问题--森林是否可以推断 :D
你还可以问一个问题：随机森林是甜的还是咸的？ 一般来说，你可以问一堆愚蠢的问题，甚至在互联网上挑选参考资料。
如果有几个受过系统教育的论坛成员在这个问题上不糊涂，人们就不必回答。
随机森林不能推断，因为EXTRAPOLATION这个词根本就不适用于它们。随机森林和其他机器学习模型一样，可以预测未来的数值，但它不是EXTRAPOLATION，事实上EXTRAPOLATION这个词在统计学中根本就不适用。
原因就在这里。
最初，EXTRAPOLATION一词是指函数，有公式的普通函数。
比如说。
根据这个公式，你可以计算一个函数在原始定义领域内的值（内插法）和外推法。
统计学中没有这样的公式。
而这整个 "随机森林能否推断 "的事情与此有关，因为在统计学中，类似物看起来像。
为了区分线性函数和线性回归，使用tilde而不是等号。
这种区别抓住了一个事实，即，线性方程中的'a'不是线性回归中的'a'，正如tilde所表示的。这同样适用于 "b"。
在第一个方程中，"a "是一个常数，而在第二个方程中，"a "是数学期望值，它伴随着一个方差值和一个带有我们看到的 "a "的那个值不存在的无效假设的概率的估计。如果这个不存在的概率超过10%，那么 "a "的值就可以不考虑了。
现在回答你的问题。
- 我们可以从回归方程中推断吗？
- 不，你不能。但你可以预测一个随机变量的未来值，它将在一个置信区间内 取值。如果这个置信区间是95%（无效假设下5%的概率），那么我们在这个置信区间内得到 "y"。而如果你得到的 "a "的估计值是该值的方差倍数，你根本无法预测任何东西。
我希望我详细解释了你这个在函数存在下有意义的问题，在统计学中根本就没有意义。
现在回答你的问题。
- 你能根据回归方程进行推断吗？
- 不，你不能。但是，预测一个随机变量的未来值是可能的，它将在置信区间 内取值。如果这个置信区间是95%（无效假设下5%的概率），那么我们在这个置信区间内得到 "y"。如果你得到的 "a "的估计值是该值的方差倍数，你根本无法预测任何东西。
现在，请注意，没有这样的问题......。)
有一个问题，比如说
交易员博士。
外推法意味着要预测训练期间已知的预测器数值以外的新数据。
我想补充的是，不是预测者，而是目标，因为如果是预测者，那么我们处理的是内插法而不是外推法。
所以，随机森林可以插值（它甚至不需要对输入进行归一化），但它不能推断。
在统计学中，它是将过去既定的趋势延伸到未来的时期（时间上的外推法用于预期的人口估计）；将样本数据外推到另一部分未被观察到的人口（空间上的外推法）。
如果你拿一棵回归树来说，它将无法将其结果传播到新的数据上，例如传播到1.4500以上的报价上，它将永远给出1.4500的预测，但绝不会超过也不会低于1.3000，因为它是在1.3000-14500的样本上训练的，例如（作为目标），这来自决策树的原理。
与树不同，线性回归和神经网络可以很容易地做到这一点，因为它们是根据不同的原则建立的。
再一次：训练区间之外的新数据可以被输入到新的射频样本上的输入，它可以完美地插值。但在输出端，它不会外推，也就是说，预测值永远不会超出它所训练的输出区间。
现在，请注意，没有这样的问题......。)
有一个问题，比如说，指出了
交易员博士。
外推法意味着对新数据的预测超出了训练期间已知的预测器的值。
我想补充的是，不是预测者，而是目标，因为如果是预测者，那么我们处理的是内插法而不是外推法。
所以，随机森林可以插值（它甚至不需要对输入进行归一化），但它不能推断。
在统计学中，它是将过去既定的趋势延伸到未来的时期（时间上的外推法用于预期的人口估计）；将样本数据外推到另一部分未被观察到的人口（空间上的外推法）。
如果你拿一棵回归树来说，它将无法将其结果传播到新的数据上，例如传播到1.4500以上的报价上，它将永远给出1.4500的预测，但绝不会超过也不会低于1.3000，因为它是在1.3000-14500的样本上训练的，例如（作为目标），这来自决策树的原理。
与树不同，线性回归和神经网络可以很容易地做到这一点，因为它们是根据不同的原则建立的。
再一次：训练区间之外的新数据可以被输入到新的射频样本上的输入，它可以完美地插值。但在输出端，它不会外推，也就是说，预测值永远不会超出它所训练的输出区间。
你对我的帖子一无所知。根本就没有。
因为你的存在，对帖子感到抱歉。