文章 "基于MQL5和Python的自优化EA（第六部分）：利用深度双重下降算法"

新评论
 

新文章 基于MQL5和Python的自优化EA（第六部分）：利用深度双重下降算法已发布：

传统的机器学习教导从业者要警惕不要使模型陷入过度拟合。然而，这种观念正受到哈佛大学研究人员最新发表的学术见解的挑战。他们发现，看似过拟合的情形在某些情况下可能是由于提前终止训练过程导致的。我们将展示如何利用研究论文中发表的观点，来改进我们使用人工智能预测市场行为的方式。

在开发人工智能模型时，有许多技术用于检测过拟合。最可信的方法是检查模型的测试误差和训练误差的图表。最初，这两个图表可能会一起下降，这是一个好迹象。随着我们继续训练模型，会达到一个最优误差水平，一旦超过这个水平，我们的训练误差会继续下降，但测试误差只会变得更糟。为了补救这个问题，已经开发出了许多技术，例如提前停止。提前停止会在模型的验证误差没有显著变化或持续恶化时终止训练过程。之后，恢复最佳权重，并假设已经找到了最佳模型，如图1所示。

过拟合


作者：Gamuchirai Zororo Ndawana

新评论