"我提供的 不是算法，而是程序。我并不反对 R 语言。但你应该明白问题的关键：并不是所有人都能理解编程语言的逻辑和语法、理解算法的设置、转换一些文件并通过各种拐杖连接到终端以使用计算结果。如果有人能做到这些，我向他们表示祝贺。有些人只需要 "开箱即用"。你会觉得我是在追着你跑，强迫你买我们的软件。用 R 吧，我保证不会惹我生气。
Я не понимаю содержание Скрежет обучение режим? В частности, о том, как использовать платформу использовать платформу MT4 MQL предварительной подготовки?
收件人： CyberCortex
对不起，SanSanych 把我牵扯进来了。
我不能对这种高高在上、咄咄逼人的不专业态度视而不见。
让我们逐一看看作者在描述申请程序时的陈述
引文："与现有同类产品相比，CyberCortex 具有以下优势：
使用的算法。 对于许多交易者来说，人工智能领域的技术始于经典神经网络这个老生常谈的话题，也止于此。但是，CyberCortex 所采用的波形算法是一种更强大、更现代的工具，因为："......"："
反对
一般来说，这一领域被称为机器学习（Machine Learning），人工智能（Artificial Intelligence）则有所不同。我相信，许多交易者对许多类型的神经网络（深度网络、卷积网络和其他现代网络）都耳熟能详，而你却闻所未闻。对于那些仅限于研究MLP 的人来说，神经网络的话题已经过时了。我要让你失望的是，在深度学习方法发展起来之后，神经网络的话题已经焕发了第二春，对于那些了解并能够做到这一点的人来说，它远不是一个封闭的话题。此外，我们还知道许多其他分类算法，这些算法已在许多R 语言包中实现。
经过各种修改的 Bousting 算法早已为人所知（1996 年），其功能并不比神经网络算法强大。顺便说一下，您应该告诉我们您的程序使用的是什么算法。快速浏览R 语言包
"ADA"-- 自适应 随机搜索。这是我最喜欢的算法 之一，对原始算法进行了三种修改： Gentle-、Logit- 和 Real AdaBoost
。
"adabag"- 该软件包使用多类算法 Adaboost.M1（Freund 和 Schapire 的算法）、AdaBoost-SAMME（Zhu 等人，2009 年） 和 Breiman 的 Bagging 算法 ；
boost"- 包含一组提升方法，如 "BagBoost"、"LogitBoost"、"AdaBoost "和 "L2Boost"，并使用 Wilcoxon 检验统计量对特征（预测因子）进行预选 ；
"pga"- 包含将 AdaBoost 和 随机森林与 进化算法相结合的算法集合 。
如果您有世界上未知的原创算法，请至少大致描述一下与现有算法的区别以及与之相比的优势， 最好能提供描述的链接。
如您所见，选择范围相当广泛。
对于那些不了解该主题的人来说。"取样"（放大）--一种重新取样的方法， 最初是为了解决科学领域的问题 而 提出的，在这些领域中，最初用于统计计算的实例（实验结果）数量 很少，要提取新的 实例是 不可能的，或者是非常昂贵的。该方法的本质是从初始的 小 样本集中随机抽取一个较小的样本。这一过程 会重复多次 ，从而获得足够大的样本总量，然后用于统计计算。
首先。外汇市场并不存在 "数据不足 "的情况。相反，它是一个 "数据丰富 "的市场。
其次。 bousting 和交叉验证在实践中和大学中的长期研究和应用 经验表明，在训练过程中，即通过内部误差选择模型时，使用这些方法是不可取的。但在训练模型的评估阶段，即获取外部误差时，这些方法却非常有用。 因此，对于我们这种 "数据丰富 "的 情况 ， 在训练过程中 分成 训练/验证/测试 是最理想的。在数据选择和预训练过程中，还有许多其他微妙之处需要考虑 ，建模结果在 很大程度上取决于这些 微妙之处， 但这是一个单独的大课题。
根据我长期使用 ADA 进行实验的经验 ，我可以说，有时结果很好，有时令人反感 = 非常不稳定。
引用："该算法不需要降低输入数据的维度，也不需要找出哪些特征具有信息量，哪些没有。相反，可用的输入数据越多，正确分类的概率就越高。无信息的特征会被自动舍弃。
问题--如何 神奇地 剔除无信息特征？ 每种决策树算法都包含对 预测因子重要性的 确定（评估） ，但用于确定重要性的标准很多 ，而且并非所有 标准 都能给出明确的结果。 如何在程序中解决这个问题？
引用： "该算法不需要任何初步的数据归一化或任何初步处理。所有数据都会自动简化为单位方差和零数学期望"。
真正不需要任何预处理的算法只有RandomForest。 其他所有算法都需要 各种 预处理。 你的意思显然是说，你的程序会为用户进行标准化处理（x 减去平均值除以标准偏差）？ 我不 确定这是否是一个好的解决方案，因为至少有十几种不同的预处理 方法，你必须根据具体情况确定哪一种最好。
引用：" 该算法与神经网络不同，无需调整训练参数即可获得最佳分类结果"。
不对。任何 已知的 分类算法都至少需要调整两个参数才能获得最佳结果。
引文："该算法几乎不受过度训练趋势的影响"。
错误说法。任何机器学习算法都有过度学习的倾向。正则化可以降低模型过度训练的风险。如今，各种正则化方法已广为人知并得到成功应用，包括在bousting算法中。
引用："该算法可以将数据分为任意数量的类别"。
这不是该算法的成就。如今，几乎所有的机器学习算法都能做到这一点。
引文："所实施算法的特点是，如果数据中有模式，就会被发现。相反，如果数据中没有规律，那么程序的预测结果就不会比简单的抛硬币好，这是合乎逻辑的"。
我可能会让你大吃一惊，但所有算法都有这个特点。
一句话：你花钱买来的难以理解的算法可以 用 R 语言以各种变体 透明、 简单地 实现 ，注意，它是完全免费的，即免费的。 该程序长 10-15 行。 R 语言的第二个不可否认的优势 是， 它是由世界科学界（实际上是世界上所有的大学）开发和支持的，现在又得到了软件业巨头的支持。微软推出了一项云服务 "Azure " 和 "Microsoft Azure Machine Learning Studio"，让您可以在云中完成模型创建、训练和评估的所有阶段，随后通过向服务发送数据来获得模型预测结果。该服务完全基于 R 语言 ，并有一个图形界面，可以将整个过程简化为 "画 "一张图（当然，我是在简化）。 如果说以前 R 语言是研究领域的事实标准，那么现在它实际上已经成为应用和工业领域的标准。
最后一点。我并不反对将程序中体现的劳动货币化。这很好。我反对你们出于广告目的，将不存在或夸大的品质赋予产品。这看起来很不专业。
小心点。正如经典之作所说
祝你好运
您好
"一般来说，这个领域被称为机器学习，人工智能则有些不同"。- 机器学习是人工智能的一个分支。但我相信你已经把它忘了。确实如此...
我听说过新型神经网络：)而且，如果你注意到了，我的程序描述中说的是"经典 神经网络"，而不是所有网络。我所说的经典神经网络是指 MLP 及其衍生网络、Hopfield 网络、概率网络和其他网络。
"许多交易员这种不屑一顾的宏大观点从何而来？- 这种超重要的观点来自于这样一个事实，即绝大多数试图使用弱人工智能技术的交易者都使用经典 神经网络。
"顺便说一句，有必要说出你的程序运行的具体算法是什么。"- 单级决策树（树桩）的自适应突变。这里写着呢。因为我是自己从头开始实现的，眼前没有任何榜样，互联网上也没有正常的描述，所以我在开发时应用了一些启发式方法。
"对于那些不了解的人来说。"提升是 由......提出的一种重采样方法 "。- 我不知道你是从哪里抄来的，但我认为这个定义描述的不是提升，而是引导（bootstrap:)提升是对简单分类器的提升。在提升过程中，你不会从一个小样本 m 中得到一个大样本 N。在提升法中，对于每个后续的简单分类器，被前一个分类器误分类的例子都会被优先采样。样本数总是等于原始样本数。在此之后，读到你一本正经的"给那些不在圈子里的人 "就 特别好笑了。xD
"首先。外汇市场并不存在 "数据稀缺 "的情况。相反，它是一个'数据丰富'的案例"。- 嗯，这取决于你从哪个角度看问题。如果你指的是外汇报价和一堆散发着旧时代气息的 "伪数学 "指标以及它们的各种衍生品，那么是的，数据并不缺乏。但是，既然你走到了另一个方向，不小心混淆了 "bousting "和 "bootstrap"，那么你的格言就不会被理睬，因为我不知道你在等待什么样的答案。
"在实践和大学中研究和应用 bousting 和交叉验证的长期经验表明......"- 真的吗？无聊...
"根据我对 ADA 的长期实验经验 ，我可以说--有时结果很好，有时令人厌恶 = 非常不稳定""- 你的经验对我们来说并不是公理，也许你在那里混淆了一些按钮什么的，就像上面的混乱一样。我不知道。
"你们如何在软件中解决这个问题？- 每个简单分类器都会关注产生最小分类误差的特征。如果特征信息量不大，误差就会很大。这就是它的神奇之处。让我们用一些更科学的废话来挑战这个逻辑，看看大学.....。不，说真的，写点什么吧。
"我不 确定这是不是一个好的解决方案"--你不觉得你有点太绝对了吗？在我看来，软件开发人员似乎更有眼光，知道需要添加什么才能使其达到预期效果。
"不对。任何 已知的 弹跳算法都至少有两个参数需要调整，以获得更好的结果"。- 你的 R 中有哪些参数需要调整？我正在做笔记......
"引用："该算法几乎不受过度训练倾向的影响。 "虚假陈述....""- 我太喜欢你的说法了：）。首先，它说的是 "实际上"。俄语的意思是 "几乎"。但是，如果数据中有一个稳定的模式，比如在汽车牌照识别实验中，那么是的，算法不会被重新训练。在训练样本上，误差为零，而在测试样本上，误差保持不变，约为 1%。问题是什么？
"这不是这种算法的成就。 如今，几乎所有的机器学习算法都能做到这一点"。- 你能告诉我这是缺点吗？与二元分类器相比，这是优势。难道你不这么认为吗？
"我可能会让你大吃一惊，但所有算法都有这个特点。"- 仔细读一下"如果数据中有模式 它们就会被发现"这是我强调的重点。机器学习算法的主要问题在于能找到多少模式。我的程序对此没有问题。按照你的逻辑，原来有了一些 MLP，人们就不应该开发其他算法，因为多层perseptron 是一种机器学习算法，而你说"所有算法都有这个特点"。
"我提供的 不是算法，而是程序。我并不反对 R 语言。但你应该明白问题的关键：并不是所有人都能理解编程语言的逻辑和语法、理解算法的设置、转换一些文件并通过各种拐杖连接到终端以使用计算结果。如果有人能做到这些，我向他们表示祝贺。有些人只需要 "开箱即用"。你会觉得我是在追着你跑，强迫你买我们的软件。用 R 吧，我保证不会惹我生气。
"我不介意你把辛勤劳动用软件货币化"- 对不起，我忘了征求你的意见。但只要你同意，我也没意见。
"我反对你为了做广告而把不存在的或夸大的品质归结到产品上 " - 我反对你写一些你根本不了解的东西
谢谢我说完了正如经典之作所说。
附注：我只是对侵略性的回应。无意冒犯，和平共处。
附注：是的，你不应该和我争论。）
Я не понимаю содержание Скрежет обучение режим? В частности, о том, как использовать платформу использовать платформу MT4 MQL предварительной подготовки?
伙计们，你们好！你们的精力，在正确的方向上！
恭喜你，你犯了一个战略性错误！
我引用您文章的第一行"最初，建立交易系统的目的是预测某些市场工具的行为，例如货币对"。
我甚至没有进一步阅读这篇文章。最好研究一下所有的预测方法！
我告诉你一个秘密：建立交易系统的目的是 "创建（你的）行为模型"。
市场（领导者）会怎么做并不重要，重要的是你会怎么做：AND、OR、NOT。
例如：AND - 追随领导者（重复领导者的行为）。
我试着在 linux（Kubuntu）上安装 rattle，但没有成功，因为代码编译需要大量依赖包。
通过分析安装错误，我得到了以下在 R 中安装 rattle 之前需要在操作系统中安装的软件包列表：
console -
$ sudo apt-get install libxml2-dev unixodbc-dev libssl-dev libgtk2.0-dev
然后在 R 中运行安装 -
> install.packages("rattle", dependencies=TRUE)
如果你还缺少一些 *.h 文件来安装 rattle，你可以像这样找到所需的软件包
$ sudo apt-get install apt-file
$ apt-file update
$ apt-file search /someheaderfile.h
也许这能帮到其他人:)
更新操作系统后，rattle 停止工作，调用 rattle() 出现错误
Error in method(obj, ...)：Invalid root element：'requires'。
第一个几乎有帮助的方法是运行 rattle，并附加一个参数
rattle(useGtkBuilder = TRUE)
程序窗口打开了，但按钮不起作用，该方法最终也无济于事。
install.packages("rattle", repos="https://rattle.togaware.com", type="source")
之后一切正常。