# darch12

**Repository Path**: xlx0000/darch12

## Basic Information

- **Project Name**: darch12
- **Description**: Скрипты к статье
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-12-10
- **Last Updated**: 2021-12-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# darch12
**Скрипты к статьям (RU)**

PartI - [Глубокие нейросети (Часть I). Подготовка данных](https://www.mql5.com/ru/articles/3486)
        
PartII - [Глубокие нейросети (Часть II). Разработка и выбор предикторов](https://www.mql5.com/ru/articles/3507)

PartIII - [Глубокие нейросети (Часть III). Выбор примеров и уменьшение размерности](https://www.mql5.com/ru/articles/3526)

PartIV - [Глубокие нейросети (Часть IV). Создание, обучение и тестирование модели нейросети](https://www.mql5.com/ru/articles/3473)
         
PartV - [Глубокие нейросети (Часть V). Байесовская оптимизация гиперпараметров DNN](https://www.mql5.com/ru/articles/4225)
        
PartVI - [Глубокие нейросети (Часть VI). Ансамбль нейросетевых классификаторов: bagging](https://www.mql5.com/ru/articles/4227)//
    
PartVII - [Глубокие нейросети (Часть VII). Ансамбль нейросетей: stacking](https://www.mql5.com/ru/articles/4228)

PartVIII - [Глубокие нейросети (Часть VIII). Повышение качества классификации bagging ансамблей](https://www.mql5.com/ru/articles/4722)

*В статье рассмотрим три возможных метода повышения качества классификации bagging ансамблей полученных в предыдущей статье. Первый - обработка шумовых примеров несколькими способами. Второй - выбор оптимальных порогов перевода непрерывных предсказаний в метки классов. Третий - объединение нескольких ансамблей в суперансамбль а их предсказания каскадно голосованием простым большинством. Кроме этого мы рассмотрим насколько оптимизация гиперпараметров нейросетей ELM и параметров постпроцессинга (обрезка и усреднение) влияют на качество классификации ансамбля. В заключение проведем анализ результатов и определим какие методы наиболее эффективны для повышения качества классификации ансамблей.*

***

**Scripts to articles (EN)** 

PartI - [Deep Neural Networks (Part I). Preparing Data ](https://www.mql5.com/en/articles/3486)

PartII -[Deep Neural Networks (Part II). Working out and selecting predictors](https://www.mql5.com/en/articles/3507)

PartIII -[Deep Neural Networks (Part III). Sample selection and dimensionality reduction](https://www.mql5.com/en/articles/3526)

PartIV - [Deep Neural Networks (Part IV). Creating, training and testing a model of neural network ](https://www.mql5.com/en/articles/3473)

PartV - [Deep Neural Networks (Part V). Bayesian optimization of DNN hyperparameters](https://www.mql5.com/en/articles/4225)

PartVI - [Deep Neural Networks (Part VI). Ensemble of neural network classifiers: bagging](https://www.mql5.com/en/articles/4227)

PartVII - [Deep Neural Networks (Part VII). Ensemble of neural networks: stacking](https://www.mql5.com/en/articles/4228)

PartVIII - [Deep Neural Networks (Part VIII). Increasing the classification quality of bagging ensembles ](https://www.mql5.com/en/articles/4722)