找到一组指标来输入神经网络的输入。讨论。一个评估结果的工具。 - 页 6 12345678910 新评论 RIP 2009.11.10 22:18 #51 joo писал(а) >> rip 和IlyaA 似乎不明白，iliarr 正在使用一种没有老师的教学方法。如果目标函数是利润，我们可以谈论什么样的学习误差？还是你们都认为，在历史上训练了网络后，你们将在测试历史上运行它，并比较获得的利润？利润将是不同的，或少或多，但都不同。测试历史是不同的。请不要与近似相混淆，近似质量的标准是原始函数和获得的函数的标准偏差。 MSE跟它有什么关系！？根据作者的想法，对网络正确性的估计是利润函数。也就是说，多空头寸被打开，trade.Profit是相对于它们或使用它们来计算的--这在代码中可以看到。好吧，那么问题只是要看一个个体在测试样本中的表现，这被认为是某一代中最好的。为什么我认为这很重要，利润是相对于训练样本计算的。谁又能说它在没有提交给网络的样本上会有同样的表现呢。 无论用什么方法训练网络，有无教师，有已知结果的测试样本可以让我们估计过度训练的程度。 或者，否则我们回到 "萨满教"--有些东西被赋予了网络，有些东西被接受了，现在让我们来解释结果。 Andrey Dik 2009.11.10 22:47 #52 MSE跟它有什么关系！？根据作者的想法，对网络正确性的估计是利润函数。即多头/空头头寸被打开，trade.Profit被计算到它们身上--这可以从代码中看出。好吧，那么问题只是要看一个个体在测试样本中的表现，这被认为是某一代中最好的。为什么我认为这很重要，利润是相对于训练样本计算的。谁又说它在没有提交给网络的样本上会有同样的表现。 F-from利润不能作为网络工作正确性的估计。利润因子只从专家顾问赚取最高利润的角度来描述一个网络。对于网络的正确性，我们不能再多说什么。试想一下，在一定时期内，有可能以许多不同的方式获得同样的利润。每个交易员主要关注的是哪种方式。例如，TS的最大相对缩减或其他评价标准可用于评价网络性能。也就是说，作者必须在训练样本上使f-from利润最大化，在测试样本上进行测试，并使用上述参数进行估计。或者你优化一个标准的Makdi专家顾问，例如，你也会选择具有最大利润的变体？ 无论网络是用什么方法训练的，有没有老师，一个已知结果 的测试样本可以让我们评估过度训练的程度。 否则，我们又回到了 "萨满教"--我们给了网络一些东西，我们得到了一些东西，现在让我们来解释这个结果。 如果使用利润函数，你将如何 在测试样本上得到一个已知的结果？ ilyaa 2009.11.10 22:55 #53 亲爱的朱，我请你不要讨论别人的行为或想法，特别是当这个人对你不熟悉时。我还请你回答以下问题。你认为，如果一个网络是由遗传学训练出来的，它是否会适应数据。适应而不是泛泛而谈？ Andrey Dik 2009.11.10 23:03 #54 IlyaA >> : 亲爱的Joo，我请你不要讨论其他人的行为或想法，尤其是在你不熟悉的人....。 如果我看起来像是在讨论别人的行为或别人的想法，我表示歉意，我不认为这是针对个人的。再次，如果是这样，我很抱歉。 我也请你回答这个问题。你认为，如果用遗传学来训练网络，它就会适应数据吗？适应而不是泛泛而谈？ 神经网络适应任何事物的能力并不取决于遗传学。遗传学只是优化的方法之一。关键在于提出的数据，在于网络的拓扑结构，在于估计结果的方法。 ilyaa 2009.11.10 23:07 #55 joo >> : 神经网络适应任何事物的能力并不取决于遗传学。遗传学只是优化的方法之一。关键点在于提出的数据、网络的拓扑结构、结果的估计方法。 嗯，我很高兴它是如此友好。相应地，逻辑是，如果没有学习错误曲线，那么就有学习效率曲线。在这种情况下，公众需要看一看。同意。 Andrey Dik 2009.11.10 23:21 #56 IlyaA >> : 据此，逻辑如下：如果没有学习错误曲线，那么就有学习效率曲线。在这种情况下，公众需要看一看。>> 同意。 我的逻辑是这样的。 通过与动物世界的类比。有一只鹿和一只狼生活在一个森林里。两人的体重都是80公斤。一头鹿一天24小时都在啃草，而狼吃了半头麋鹿，两星期都不吃东西。他们的平均卡路里摄入量是相同的。但他们获取食物的方式是不同的。 TC也是如此。我们必须选择如何获得利润，并相应地选择评估TC的标准，在这个分支的背景下--NN。 RIP 2009.11.10 23:53 #57 joo >> : 我的逻辑是这样的。 通过与动物世界的类比。有一只鹿和一只狼生活在森林里。他们两人的体重都是80公斤。一头鹿昼夜不停地啃草，而一只狼吃了半只麋鹿，两星期都不吃东西。他们的平均卡路里摄入量是相同的。但他们获取食物的方式是不同的。 TC也是如此。我们必须选择如何获得利润，并相应地选择评价TC的标准，在这个分支的背景下--NN。 你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个分析数据的机制，仅此而已。 但使用你的寓言，我想看到一个鹿和狼在动物园里分别增加体重的图表（这种训练），以及一个鹿和狼将增加体重的图表，如果我们说他们被释放到自然界（测试），那么，在一个国家公园里，他们将被管理员监视。在此基础上，就有可能建立一个假设，即它们在自然界中会有怎样的表现%) Andrey Dik 2009.11.11 03:53 #58 rip >> : 你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个数据分析的机制，仅此而已。 但应用你的寓言，我想看看鹿和狼在动物园里如何分别增加体重的图表（这是一种训练），以及同样的鹿和狼将如何增加体重的图表，如果我们说它们被释放到自然界（测试），那么，在一个国家公园里，它们将被狩猎者看管着。在此基础上，将有可能对它们在自然界中的行为做出假设%) 没有太大的问题。我们需要以某种方式估计，如果我们饲养了一只小鹿，我们最终会得到一只英俊的鹿，而不是一只狼。也就是说，要评估的不是食物摄入的速度和数量，而是属于我们想要的物种。也许是为了进行分类，实质上是为了确定消费曲线与参考曲线的 "相似性"。而这是一项单独的、困难的任务。 [删除] 2009.11.11 09:19 #59 rip 10.11.2009 23:18 不管用什么方法来训练网络，不管有没有老师，一个已知结果的测试样本可以让你评估过度训练的程度。 否则我们就会回到 "萨满教"：我们给了网络一些东西，我们收到了一些东西，现在让我们来解释结果。 一个完全合理的观察。为此，我将训练好的神经元组卸载到MT4交易专家顾问中，在MT4策略测试器中检查我得到了什么。 这句话来自该主题的第一个帖子。 利亚尔 09.11.2009 13:13 我将训练好的网络导出到MQL4专家顾问，并在MT4的策略测试器中检查其功能。我将在MT4指标中形成神经网络的输入，并将其导出到一个文件。 并准备在这里发布这些上传的数据，以评估输入网络的数据质量。我建议选择从1-08-2009到1-10-2009的M5范围，并以同样的方式在其上教导类似的神经网络。这种方法并不假装绝对准确，但我认为它可以用来做比较。 [删除] 2009.11.11 09:36 #60 rip >> : 你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个数据分析的机制，仅此而已。 但应用你的寓言，我想看看鹿和狼在动物园里如何分别增加体重的图表（这是一种训练），以及同样的鹿和狼将如何增加体重的图表，如果我们说它们被释放到自然界（测试），那么，在一个国家公园里，它们将被狩猎者看管着。在此基础上，将有可能对它们在自然界中的行为做出假设%) 在训练期间，有一个日志是这样记录的。 Traning log. Thread-6: Generation 10 chromosome whith best fitness: 1007621 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-5: Generation 10 chromosome whith best fitness: 1008875 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-3: Generation 10 chromosome whith best fitness: 1009096 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-6: Generation 20 chromosome whith best fitness: 1009461 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-5: Generation 30 chromosome whith best fitness: 1009501 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-3: Generation 40 chromosome whith best fitness: 1010195 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-3: Generation 100 chromosome whith best fitness: 1010361 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-2: Generation 110 chromosome whith best fitness: 1010481 saved to /home/iliarr/Data/Result/9-10-1.nn Thread-2: Generation 200 chromosome whith best fitness: 1010521 saved to /home/iliarr/Data/Result/9-10-1.nn 如果目标函数大于当前函数，神经网络就会被卸载到一个文件中，并写入下一行日志。 我认为这不是你问题的答案，但我不认为保留其他统计数据有什么意义。 12345678910 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
joo писал(а) >>
rip 和IlyaA 似乎不明白，iliarr 正在使用一种没有老师的教学方法。如果目标函数是利润，我们可以谈论什么样的学习误差？还是你们都认为，在历史上训练了网络后，你们将在测试历史上运行它，并比较获得的利润？利润将是不同的，或少或多，但都不同。测试历史是不同的。请不要与近似相混淆，近似质量的标准是原始函数和获得的函数的标准偏差。
MSE跟它有什么关系！？根据作者的想法，对网络正确性的估计是利润函数。也就是说，多空头寸被打开，trade.Profit是相对于它们或使用它们来计算的--这在代码中可以看到。好吧，那么问题只是要看一个个体在测试样本中的表现，这被认为是某一代中最好的。为什么我认为这很重要，利润是相对于训练样本计算的。谁又能说它在没有提交给网络的样本上会有同样的表现呢。
无论用什么方法训练网络，有无教师，有已知结果的测试样本可以让我们估计过度训练的程度。
或者，否则我们回到 "萨满教"--有些东西被赋予了网络，有些东西被接受了，现在让我们来解释结果。
F-from利润不能作为网络工作正确性的估计。利润因子只从专家顾问赚取最高利润的角度来描述一个网络。对于网络的正确性，我们不能再多说什么。试想一下，在一定时期内，有可能以许多不同的方式获得同样的利润。每个交易员主要关注的是哪种方式。例如，TS的最大相对缩减或其他评价标准可用于评价网络性能。也就是说，作者必须在训练样本上使f-from利润最大化，在测试样本上进行测试，并使用上述参数进行估计。或者你优化一个标准的Makdi专家顾问，例如，你也会选择具有最大利润的变体？
无论网络是用什么方法训练的，有没有老师，一个已知结果 的测试样本可以让我们评估过度训练的程度。
否则，我们又回到了 "萨满教"--我们给了网络一些东西，我们得到了一些东西，现在让我们来解释这个结果。
如果使用利润函数，你将如何 在测试样本上得到一个已知的结果？
亲爱的Joo，我请你不要讨论其他人的行为或想法，尤其是在你不熟悉的人....。
如果我看起来像是在讨论别人的行为或别人的想法，我表示歉意，我不认为这是针对个人的。再次，如果是这样，我很抱歉。
我也请你回答这个问题。你认为，如果用遗传学来训练网络，它就会适应数据吗？适应而不是泛泛而谈？
神经网络适应任何事物的能力并不取决于遗传学。遗传学只是优化的方法之一。关键在于提出的数据，在于网络的拓扑结构，在于估计结果的方法。
神经网络适应任何事物的能力并不取决于遗传学。遗传学只是优化的方法之一。关键点在于提出的数据、网络的拓扑结构、结果的估计方法。
嗯，我很高兴它是如此友好。相应地，逻辑是，如果没有学习错误曲线，那么就有学习效率曲线。在这种情况下，公众需要看一看。同意。据此，逻辑如下：如果没有学习错误曲线，那么就有学习效率曲线。在这种情况下，公众需要看一看。>> 同意。
我的逻辑是这样的。
通过与动物世界的类比。有一只鹿和一只狼生活在一个森林里。两人的体重都是80公斤。一头鹿一天24小时都在啃草，而狼吃了半头麋鹿，两星期都不吃东西。他们的平均卡路里摄入量是相同的。但他们获取食物的方式是不同的。
TC也是如此。我们必须选择如何获得利润，并相应地选择评估TC的标准，在这个分支的背景下--NN。
我的逻辑是这样的。
通过与动物世界的类比。有一只鹿和一只狼生活在森林里。他们两人的体重都是80公斤。一头鹿昼夜不停地啃草，而一只狼吃了半只麋鹿，两星期都不吃东西。他们的平均卡路里摄入量是相同的。但他们获取食物的方式是不同的。
TC也是如此。我们必须选择如何获得利润，并相应地选择评价TC的标准，在这个分支的背景下--NN。
你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个分析数据的机制，仅此而已。
但使用你的寓言，我想看到一个鹿和狼在动物园里分别增加体重的图表（这种训练），以及一个鹿和狼将增加体重的图表，如果我们说他们被释放到自然界（测试），那么，在一个国家公园里，他们将被管理员监视。在此基础上，就有可能建立一个假设，即它们在自然界中会有怎样的表现%)
你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个数据分析的机制，仅此而已。
但应用你的寓言，我想看看鹿和狼在动物园里如何分别增加体重的图表（这是一种训练），以及同样的鹿和狼将如何增加体重的图表，如果我们说它们被释放到自然界（测试），那么，在一个国家公园里，它们将被狩猎者看管着。在此基础上，将有可能对它们在自然界中的行为做出假设%)
没有太大的问题。我们需要以某种方式估计，如果我们饲养了一只小鹿，我们最终会得到一只英俊的鹿，而不是一只狼。也就是说，要评估的不是食物摄入的速度和数量，而是属于我们想要的物种。也许是为了进行分类，实质上是为了确定消费曲线与参考曲线的 "相似性"。而这是一项单独的、困难的任务。
rip 10.11.2009 23:18
不管用什么方法来训练网络，不管有没有老师，一个已知结果的测试样本可以让你评估过度训练的程度。
否则我们就会回到 "萨满教"：我们给了网络一些东西，我们收到了一些东西，现在让我们来解释结果。
一个完全合理的观察。为此，我将训练好的神经元组卸载到MT4交易专家顾问中，在MT4策略测试器中检查我得到了什么。
这句话来自该主题的第一个帖子。
利亚尔 09.11.2009 13:13
我将训练好的网络导出到MQL4专家顾问，并在MT4的策略测试器中检查其功能。我将在MT4指标中形成神经网络的输入，并将其导出到一个文件。
并准备在这里发布这些上传的数据，以评估输入网络的数据质量。我建议选择从1-08-2009到1-10-2009的M5范围，并以同样的方式在其上教导类似的神经网络。这种方法并不假装绝对准确，但我认为它可以用来做比较。
你正在从TC的角度评估网络的性能。我看的是网络本身，没有提到TC。网络只是一个数据分析的机制，仅此而已。
但应用你的寓言，我想看看鹿和狼在动物园里如何分别增加体重的图表（这是一种训练），以及同样的鹿和狼将如何增加体重的图表，如果我们说它们被释放到自然界（测试），那么，在一个国家公园里，它们将被狩猎者看管着。在此基础上，将有可能对它们在自然界中的行为做出假设%)
在训练期间，有一个日志是这样记录的。
如果目标函数大于当前函数，神经网络就会被卸载到一个文件中，并写入下一行日志。 我认为这不是你问题的答案，但我不认为保留其他统计数据有什么意义。