试穿和实际模式之间的界限在哪里？ - 页 21 1...141516171819202122232425262728...64 新评论 Vitaliy 2011.01.22 17:49 #201 Reshetov: 对于特别有天赋的人。 1）在Russkomazykenetlova osobogodnymi。 好吧，你可以一次，但不能在五页中连续五次。 .............. 2）分裂时期的危害..... и OOS测试 的危害.... 同意这些是不同的事情。 不要虚报可靠信息。已经没有多少了....。) Andrey Dik 2011.01.22 18:31 #202 Reshetov: 不，不是的，如果对OOS的测试是积极的。 如果在OOS上有一个负面的结果，这并不一定意味着与Sample的契合--市场可以改变。为了确定是否合适，有必要在采样前和采样后对OOS进行测试。如果这两个转发的结果都是负的，那么我们已经处理了裸露的配件。 成功的前瞻性测试并不保证TS在未来的盈利能力。它们的目的是为了确定调整。 为了确保TC在优化期没有被钝化调整，我们进行了OOS测试。 一切都是正确的。但是。OOS必须包含与优化期不同的信息，我们才能确定TS是能够泛化的（发现一些规律性的东西，在不同的数据上结果会相似，但包含这种规律性）。否则，对OOS的测试会有与样本相同的结果，但它不会确认TS学会了一种模式，在未来，TS将不能以同样的结果工作。 现在，请注意!问题：你是否检查OOS是否包含与S不同的数据？如果是这样，怎么做？ Vitaliy 2011.01.22 18:38 #203 如果有人发现图表本身有不准确之处，请告诉我...... 尺寸是真实的，但它仍然是一个模糊的图像。在单独的窗口中，这很清楚。 Andrey Dik 2011.01.22 18:40 #204 费加0。 你说你在为训练准备数据。你能不能说得更具体一点，你使用这种技术有多久了？你的话中有些东西很熟悉，我记得我建议，就像在关于上下文的分支中一样，用初步要求的参数准备合成数据进行优化，这样你就可以改变数据参数，看到TS的反应。我认为在德像你只是同意我的观点，但建议一个与我稍有不同的选择--从真实的历史片段中准备数据，是这样吗？ Yury Reshetov 2011.01.22 19:42 #205 lasso: 1）在Russkomazykenetlova osogodarstvennyy.go....) 对于特别有天赋的人。 见。关于Académique的字典和百科全书：特殊 天赋的人 P.S.对于特别有天赋的俄语鉴赏家来说：在俄语中，有一些空格可以将一些单词与其他单词分开。 Debugger 2011.01.22 19:49 #206 威，威，威...。 你是多么复杂......:)) Sceptic Philozoff 2011.01.22 19:51 #207 拉索，你最好的选择是阅读一些不太复杂的神经网格。我想这就是所有这些术语的由来。也许我的说法不准确，请原谅我，我已经很久没有读过这本书了。 1.样本数据： 训练图。样本图，我们直接从中提取数据并训练网络。 2.核查数据： 核查部分。我们不在这部分进行训练，而是用它来估计误差，并控制何时应该停止训练。有一条众所周知的验证误差曲线，它取决于运行的次数。这是一条有最小值的曲线。如果我们训练的时间太长，也就是说，如果我们没有及时停下来，训练部分的误差仍然会减少，但现在验证部分的误差会增加。这就是拟合：我们在训练部分对数据进行了相当好的近似，但做得过头了，因为验证误差开始增大。第二个错误是对神经网络的训练质量和泛化能力的评价。 3.测试数据。 这是一个真正的OOS，即样本外的。 第二幅图，即评估误差的验证图，虽然我们不在上面进行训练，但也没有OOS。尽管如此，这一部分的数据被用来训练第一部分的数据。为了正确和完全独立地验证训练（更确切地说，是归纳）的质量，我们需要采取我们还没有看到或用于训练的数据。 在测试器中，我们没有神经网络。在样本数据部分直接估计出一个误差。所以这里没有办法直接转移神经方法。虽然，也许xeon 在这里也发明了一些东西，它的TestCommander...。 Andrey Dik 2011.01.22 19:56 #208 Reshetov: 对于特别有天赋的人。 见。学院里的字典和百科全书：特殊 的天赋 P.S. 对于特别有天赋的俄语专家来说：俄语中存在着差距 请你对 "天赋 "一词给出你自己的解释，这样就不会出现对该词的不正当解释。 Avals 2011.01.22 20:02 #209 joo: 费加0。 你说你在为训练准备数据。你能不能说得更具体一点，你使用这种技术有多久了？你的话中有些东西很熟悉，我记得我建议，就像在关于上下文的分支中一样，用初步要求的参数准备合成数据进行优化，这样你就可以改变数据参数，看到TS的反应。我认为在德像你只是同意我的观点，但建议一个与我稍有不同的选择--从真实的历史片段中准备数据，是这样吗？ 为某些规则的训练准备数据，只是在系统中引入一个额外的过滤器。 Andrei01 2011.01.22 20:05 #210 Reshetov: 对于那些特别有天赋的人来说：非平稳性是指没有统计上的规律性，如预期报酬和方差。 把布林包络线放在图表上，你会看到非平稳性的 "模式 "是什么，因为指标的中心是期望值，而从中心到包络线的距离是分散性。 预期和方差只有在无限大的样本中才有意义。 1...141516171819202122232425262728...64 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
对于特别有天赋的人。
1）在Russkomazykenetlova osobogodnymi。
好吧，你可以一次，但不能在五页中连续五次。
..............
2）分裂时期的危害.....
и
OOS测试 的危害....
同意这些是不同的事情。
不要虚报可靠信息。已经没有多少了....。)
不，不是的，如果对OOS的测试是积极的。
如果在OOS上有一个负面的结果，这并不一定意味着与Sample的契合--市场可以改变。为了确定是否合适，有必要在采样前和采样后对OOS进行测试。如果这两个转发的结果都是负的，那么我们已经处理了裸露的配件。
成功的前瞻性测试并不保证TS在未来的盈利能力。它们的目的是为了确定调整。
为了确保TC在优化期没有被钝化调整，我们进行了OOS测试。
一切都是正确的。但是。OOS必须包含与优化期不同的信息，我们才能确定TS是能够泛化的（发现一些规律性的东西，在不同的数据上结果会相似，但包含这种规律性）。否则，对OOS的测试会有与样本相同的结果，但它不会确认TS学会了一种模式，在未来，TS将不能以同样的结果工作。
现在，请注意!问题：你是否检查OOS是否包含与S不同的数据？如果是这样，怎么做？
如果有人发现图表本身有不准确之处，请告诉我......
尺寸是真实的，但它仍然是一个模糊的图像。在单独的窗口中，这很清楚。
你说你在为训练准备数据。你能不能说得更具体一点，你使用这种技术有多久了？你的话中有些东西很熟悉，我记得我建议，就像在关于上下文的分支中一样，用初步要求的参数准备合成数据进行优化，这样你就可以改变数据参数，看到TS的反应。我认为在德像你只是同意我的观点，但建议一个与我稍有不同的选择--从真实的历史片段中准备数据，是这样吗？
1）在Russkomazykenetlova osogodarstvennyy.go....)
对于特别有天赋的人。
见。关于Académique的字典和百科全书：特殊 天赋的人
P.S.对于特别有天赋的俄语鉴赏家来说：在俄语中，有一些空格可以将一些单词与其他单词分开。
威，威，威...。
你是多么复杂......:))
拉索，你最好的选择是阅读一些不太复杂的神经网格。我想这就是所有这些术语的由来。也许我的说法不准确，请原谅我，我已经很久没有读过这本书了。
1.样本数据： 训练图。样本图，我们直接从中提取数据并训练网络。
2.核查数据： 核查部分。我们不在这部分进行训练，而是用它来估计误差，并控制何时应该停止训练。有一条众所周知的验证误差曲线，它取决于运行的次数。这是一条有最小值的曲线。如果我们训练的时间太长，也就是说，如果我们没有及时停下来，训练部分的误差仍然会减少，但现在验证部分的误差会增加。这就是拟合：我们在训练部分对数据进行了相当好的近似，但做得过头了，因为验证误差开始增大。第二个错误是对神经网络的训练质量和泛化能力的评价。
3.测试数据。 这是一个真正的OOS，即样本外的。
第二幅图，即评估误差的验证图，虽然我们不在上面进行训练，但也没有OOS。尽管如此，这一部分的数据被用来训练第一部分的数据。为了正确和完全独立地验证训练（更确切地说，是归纳）的质量，我们需要采取我们还没有看到或用于训练的数据。
在测试器中，我们没有神经网络。在样本数据部分直接估计出一个误差。所以这里没有办法直接转移神经方法。虽然，也许xeon 在这里也发明了一些东西，它的TestCommander...。
对于特别有天赋的人。
见。学院里的字典和百科全书：特殊 的天赋
P.S. 对于特别有天赋的俄语专家来说：俄语中存在着差距
费加0。
你说你在为训练准备数据。你能不能说得更具体一点，你使用这种技术有多久了？你的话中有些东西很熟悉，我记得我建议，就像在关于上下文的分支中一样，用初步要求的参数准备合成数据进行优化，这样你就可以改变数据参数，看到TS的反应。我认为在德像你只是同意我的观点，但建议一个与我稍有不同的选择--从真实的历史片段中准备数据，是这样吗？
为某些规则的训练准备数据，只是在系统中引入一个额外的过滤器。
对于那些特别有天赋的人来说：非平稳性是指没有统计上的规律性，如预期报酬和方差。
把布林包络线放在图表上，你会看到非平稳性的 "模式 "是什么，因为指标的中心是期望值，而从中心到包络线的距离是分散性。