优化和样本外测试。 - 页 4 123456789101112 新评论 Leonid Borsky 2007.07.30 13:03 #31 是的，确实如此! 此外，（也考虑到批评意见）我想指出，对于那些不大同意简单执行想法的人，有一个重要的反对意见。 "人们不应该把事物的本质复杂化，超出必要的范围！"（奥卡姆神父）。 第一次优化后再进行第二次优化（样本外）是一个简单而充分的解决方案 我们毕竟是以盈利为目的，而不是为了优化而从事优化工作。 Candid 2007.07.30 13:34 #32 Vita: 拆分可以有效地过滤信息。就数量而言。 Vita写道（a）： --> 如果你说的 "在整个样本上处理优化结果 "是指丢弃D组，那么我不同意--丢弃给出中间损失（样本内或样本外）的结果是基本任务，在整个样本的优化过程中就已经解决了，也就是说，不需要在优化后进行处理。 结果是B组，而且在样本外没有耗时的额外检查。 你是指数学意义上的优化，还是指真正的测试者？根据我的理解，现在的样本包括这两个样本。你认为在这两个样本上运行三个不必要的组，可以节省时间吗？至于实施，如果你从头开始编写自己的测试器，也许实施成本可以忽略不计。试着执行，然后我们可以回到问题上。 Vitali 2007.07.30 13:34 #33 leonid553: 是的，确实如此! 此外，（也考虑到批评意见）我想指出，对于那些不大同意简单执行想法的人，有一个重要的反对意见。 "人们不应该把事物的本质复杂化，超出必要的范围！"（奥卡姆神父）。 第一次优化后再进行第二次优化（样本外）是一个简单而充分的解决方案 我们毕竟是在追求利润的目标，而不是为了优化而优化。 我也是，而且我完全同意奥卡姆的观点。你不应该做两次优化，一次就够了。 你说："在对专家顾问进行优化 后，我们经常要唠叨，繁琐地跑完优化器建议的十几组参数，出样。 在整个人口中运行，而不分为样本-外样本，是不折不扣的充分的，甚至是更直接的解决方案。 Sceptic Philozoff 2007.07.30 14:19 #34 断然不同意，维塔。否则，在神经网络中就不会将所有数据分为三部分，从根本上说是不同的：真正的优化--只在第一部分；第二部分只用于确定训练终止的时刻，第三部分--只用于单一测试。也就是说，真正的装修只在第一条上进行，而在第三条上，无论结果如何，都要进行装修......而选择--"奥卡姆剃刀 "或对系统失去信心--是留给系统的创造者的。 粗略地说，在A+B+C上进行优化与上述处理完全不同。 Candid 2007.07.30 14:37 #35 Mathemat，我认为他的意思是收集整批（别忘了组合学）的结果，把它分成4组，并丢弃其中的3组。 Vitali 2007.07.30 14:40 #36 Mathemat: 断然不同意，维塔。此外，真正的优化只是在第一部分，第二部分只是为了确定训练终止的时刻，第三部分只是为了单一测试。 我猜想，将神经网络中的数据分成三部分，是为了学习规律（如2x2=4）而存在的，以揭示这些规律。 而且只有在有规律的情况下才会这样。否则神经网络将自行拟合曲线。 然后，在我看来，测试者的任务不是训练或检测模式，而是找到最佳参数集。这可以用简单的蛮力或遗传算法，也可能用神经网络来完成。但是，一旦为一个样本找到了一组最佳参数，你如何避免曲线拟合？原则是什么？当你测试样本外的时候，集合中的坏元素是什么？ Vitali 2007.07.30 15:00 #37 lna01: 维塔。 拆分可以有效地过滤信息。就数量而言。 这不是我想摒弃的东西。 Vita写道（a）： --> 如果你说的 "在整个样本上处理优化结果 "是指丢弃集合D，那么我不同意--丢弃给出中间损失（样本内或样本外）的结果是一项基本任务，在整个样本的优化过程中本身就解决了，即不需要在优化后进行处理。 结果是集合B立即。 而且在样本外没有耗时的额外检查。 你是指数学意义上的优化，还是指真正的测试者？根据我的理解，现在的样本包括这两个样本。你认为在这两个样本上运行三个不必要的组，可以节省时间吗？至于实施，如果你从头开始编写自己的测试器，也许实施成本可以忽略不计。试着执行，然后我们可以回到问题上。 --> " 取样，按照我的理解，现在包括两个样本。" --对不起，我不是想让你这么想。忘了它吧。 我想说的是，真正的MetaTrader的测试器允许你在优化样本+非样本群体时获得与优化样本后在样本外测试相同的结果。 在测试器中，"专家属性 "按钮，然后 "测试 "和 "优化 "标签允许你摆脱任何长度和深度的损失。由于我坚持认为，优化一个样本后进行样本外测试并不能摆脱其他东西，也根本不会增加任何东西，这就是问题的解决方案。 不幸的是，正是在数学意义上，人们可以在任何特定的 曲线下实现完美的参数优化。与仿佛在样本外测试 "未来 "的诀窍是隐藏的，但仍然是对样本+样本外的整个给定 人群的微不足道的优化。对未来没有保证，没有摆脱曲线拟合。必须以另一种方式找到一套可行的参数。 Sceptic Philozoff 2007.07.30 15:06 #38 我猜想，将神经网络中的数据分为三部分，是为了教授规律（如2x2=4），以揭示这些规律。 这是正确的，维塔，用于识别模式。而我们在这里做什么呢？我们又发明了两个数据集，以防止这种识别退化为对初始人口的琐碎 "记忆"（=curvafitting）。在NS中，它是这样工作的：在集合A（训练集）上学习，以减少目标函数（它通常是预测或分类的错误）。学习的组织方式是使A的误差单调地减少。 同时，在B组（验证组）上测试相同参数的相同错误。在那里，误差的变化是一个级联函数（首先是下降，然后是最小，然后是增长）。一旦B组的误差达到最小，训练就会停止。 在A组上继续训练，即使误差减少，也会导致曲线拟合，因为B组的误差已经开始增长。在这一点上，网络的概括能力据说会下降。这就是为什么训练被强行停止，而没有把对A的拟合带到极限（这也是该算法和元气优化器所做的拟合之间的根本区别）。 最后，在第三组C（测试组）上运行已停止学习的参数集。这是对训练质量的真正检查，因为C上的数据对之前的训练没有影响。当然，在找到的参数下，不能保证NS的稳定运行，但这种算法至少取消了95%的伪格拉尔，其中论坛上有不止一个:)。 而在单个数据片段上的简单搜索是最纯粹的曲线拟合，在训练区上是理想的，但在训练区外则毫无价值。 当然，MT4不是一个神经网络程序，一般的算法将不得不重新设计，但它仍然比琐碎的曲线拟合好，我们称之为 "优化"，嘿嘿。 Candid 2007.07.30 15:35 #39 Vita: 我想说的是，真正的MetaTrader的测试器允许你在优化样本+样本外人群时获得与优化样本后进行样本外测试一样的结果。专家顾问属性 "按钮以及 "测试 "和 "优化 "选项卡允许摆脱任何长度和深度的损失。 这完全取决于任务的定义。如果我们忽略了测试时间的利润分配的均匀 程度，MT测试员的标准能力确实足够，所花的时间也会相当。忽视这一点值得吗？每个人都有自己的经验和看法。这个过程确实可以被称为拟合，但我认为近似 这个词会更准确。并非每个近似值都可以推算到未来，利润统一性的标准只是允许拒绝那些明显不适合推算的变体。当然，是IMHO。 Vitali 2007.07.30 15:40 #40 Mathemat: 而单一数据的简单过冲是纯粹的曲线拟合，在训练区域内是完美的，在训练区域外则毫无价值。 --> 没错，就是这样。 但是，将一个情节分割成碎片有什么作用？在三个不同的片段上的 "伪学习 "会导致什么？ 它在每个单独的情节上会导致利润吗？ 这样的配合如何更好？它能保证剧情外的盈利吗？ 如果你相信，那么尽可以。更重要的是，测试器让你有能力闷住曲线，以便在每个片段A、B、C......。你赚了钱。 就让我们取消神经网络吧，因为它们与这个主题根本不相干。人们为了一个可疑的优势而手动做这些麻烦事，顺便说一下，我指出了这一点，但没有听到更多的消息，在样本上优化后的结果和对样本外的测试比琐碎的运行好在哪里？你看，我们谈论的是真正的工作和结果，而不是神经网络理论。 你能不能指出任何真正的优势，如果仍然有的话，除了我指出的那一点。 123456789101112 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
是的，确实如此!
此外，（也考虑到批评意见）我想指出，对于那些不大同意简单执行想法的人，有一个重要的反对意见。
"人们不应该把事物的本质复杂化，超出必要的范围！"（奥卡姆神父）。
第一次优化后再进行第二次优化（样本外）是一个简单而充分的解决方案
我们毕竟是以盈利为目的，而不是为了优化而从事优化工作。
拆分可以有效地过滤信息。就数量而言。
Vita写道（a）：
--> 如果你说的 "在整个样本上处理优化结果 "是指丢弃D组，那么我不同意--丢弃给出中间损失（样本内或样本外）的结果是基本任务，在整个样本的优化过程中就已经解决了，也就是说，不需要在优化后进行处理。 结果是B组，而且在样本外没有耗时的额外检查。
你是指数学意义上的优化，还是指真正的测试者？根据我的理解，现在的样本包括这两个样本。你认为在这两个样本上运行三个不必要的组，可以节省时间吗？至于实施，如果你从头开始编写自己的测试器，也许实施成本可以忽略不计。试着执行，然后我们可以回到问题上。
是的，确实如此!
此外，（也考虑到批评意见）我想指出，对于那些不大同意简单执行想法的人，有一个重要的反对意见。
"人们不应该把事物的本质复杂化，超出必要的范围！"（奥卡姆神父）。
第一次优化后再进行第二次优化（样本外）是一个简单而充分的解决方案
我们毕竟是在追求利润的目标，而不是为了优化而优化。
我也是，而且我完全同意奥卡姆的观点。你不应该做两次优化，一次就够了。
你说："在对专家顾问进行优化 后，我们经常要唠叨，繁琐地跑完优化器建议的十几组参数，出样。
在整个人口中运行，而不分为样本-外样本，是不折不扣的充分的，甚至是更直接的解决方案。
断然不同意，维塔。否则，在神经网络中就不会将所有数据分为三部分，从根本上说是不同的：真正的优化--只在第一部分；第二部分只用于确定训练终止的时刻，第三部分--只用于单一测试。也就是说，真正的装修只在第一条上进行，而在第三条上，无论结果如何，都要进行装修......而选择--"奥卡姆剃刀 "或对系统失去信心--是留给系统的创造者的。
粗略地说，在A+B+C上进行优化与上述处理完全不同。
断然不同意，维塔。此外，真正的优化只是在第一部分，第二部分只是为了确定训练终止的时刻，第三部分只是为了单一测试。
我猜想，将神经网络中的数据分成三部分，是为了学习规律（如2x2=4）而存在的，以揭示这些规律。 而且只有在有规律的情况下才会这样。否则神经网络将自行拟合曲线。
然后，在我看来，测试者的任务不是训练或检测模式，而是找到最佳参数集。这可以用简单的蛮力或遗传算法，也可能用神经网络来完成。但是，一旦为一个样本找到了一组最佳参数，你如何避免曲线拟合？原则是什么？当你测试样本外的时候，集合中的坏元素是什么？
拆分可以有效地过滤信息。就数量而言。
这不是我想摒弃的东西。
Vita写道（a）：
--> 如果你说的 "在整个样本上处理优化结果 "是指丢弃集合D，那么我不同意--丢弃给出中间损失（样本内或样本外）的结果是一项基本任务，在整个样本的优化过程中本身就解决了，即不需要在优化后进行处理。 结果是集合B立即。 而且在样本外没有耗时的额外检查。
你是指数学意义上的优化，还是指真正的测试者？根据我的理解，现在的样本包括这两个样本。你认为在这两个样本上运行三个不必要的组，可以节省时间吗？至于实施，如果你从头开始编写自己的测试器，也许实施成本可以忽略不计。试着执行，然后我们可以回到问题上。
--> " 取样，按照我的理解，现在包括两个样本。" --对不起，我不是想让你这么想。忘了它吧。
我想说的是，真正的MetaTrader的测试器允许你在优化样本+非样本群体时获得与优化样本后在样本外测试相同的结果。 在测试器中，"专家属性 "按钮，然后 "测试 "和 "优化 "标签允许你摆脱任何长度和深度的损失。由于我坚持认为，优化一个样本后进行样本外测试并不能摆脱其他东西，也根本不会增加任何东西，这就是问题的解决方案。
不幸的是，正是在数学意义上，人们可以在任何特定的 曲线下实现完美的参数优化。与仿佛在样本外测试 "未来 "的诀窍是隐藏的，但仍然是对样本+样本外的整个给定 人群的微不足道的优化。对未来没有保证，没有摆脱曲线拟合。必须以另一种方式找到一套可行的参数。
这是正确的，维塔，用于识别模式。而我们在这里做什么呢？我们又发明了两个数据集，以防止这种识别退化为对初始人口的琐碎 "记忆"（=curvafitting）。在NS中，它是这样工作的：在集合A（训练集）上学习，以减少目标函数（它通常是预测或分类的错误）。学习的组织方式是使A的误差单调地减少。
同时，在B组（验证组）上测试相同参数的相同错误。在那里，误差的变化是一个级联函数（首先是下降，然后是最小，然后是增长）。一旦B组的误差达到最小，训练就会停止。 在A组上继续训练，即使误差减少，也会导致曲线拟合，因为B组的误差已经开始增长。在这一点上，网络的概括能力据说会下降。这就是为什么训练被强行停止，而没有把对A的拟合带到极限（这也是该算法和元气优化器所做的拟合之间的根本区别）。
最后，在第三组C（测试组）上运行已停止学习的参数集。这是对训练质量的真正检查，因为C上的数据对之前的训练没有影响。当然，在找到的参数下，不能保证NS的稳定运行，但这种算法至少取消了95%的伪格拉尔，其中论坛上有不止一个:)。
而在单个数据片段上的简单搜索是最纯粹的曲线拟合，在训练区上是理想的，但在训练区外则毫无价值。
当然，MT4不是一个神经网络程序，一般的算法将不得不重新设计，但它仍然比琐碎的曲线拟合好，我们称之为 "优化"，嘿嘿。
我想说的是，真正的MetaTrader的测试器允许你在优化样本+样本外人群时获得与优化样本后进行样本外测试一样的结果。专家顾问属性 "按钮以及 "测试 "和 "优化 "选项卡允许摆脱任何长度和深度的损失。
这完全取决于任务的定义。如果我们忽略了测试时间的利润分配的均匀 程度，MT测试员的标准能力确实足够，所花的时间也会相当。忽视这一点值得吗？每个人都有自己的经验和看法。这个过程确实可以被称为拟合，但我认为近似 这个词会更准确。并非每个近似值都可以推算到未来，利润统一性的标准只是允许拒绝那些明显不适合推算的变体。当然，是IMHO。
而单一数据的简单过冲是纯粹的曲线拟合，在训练区域内是完美的，在训练区域外则毫无价值。
--> 没错，就是这样。
但是，将一个情节分割成碎片有什么作用？在三个不同的片段上的 "伪学习 "会导致什么？ 它在每个单独的情节上会导致利润吗？ 这样的配合如何更好？它能保证剧情外的盈利吗？ 如果你相信，那么尽可以。更重要的是，测试器让你有能力闷住曲线，以便在每个片段A、B、C......。你赚了钱。
就让我们取消神经网络吧，因为它们与这个主题根本不相干。人们为了一个可疑的优势而手动做这些麻烦事，顺便说一下，我指出了这一点，但没有听到更多的消息，在样本上优化后的结果和对样本外的测试比琐碎的运行好在哪里？你看，我们谈论的是真正的工作和结果，而不是神经网络理论。 你能不能指出任何真正的优势，如果仍然有的话，除了我指出的那一点。