Choisissez une option (1-8) : 2 Fichier chargé avec succès: data\datavolatility30M.csv…
- User
Choisissez une option (1-8) : 2 Fichier chargé avec succès: data\data_volatility_30M.csv Fichier chargé avec succès: data\data_volatility_1H.csv Fichier chargé avec succès: data\data_volatility_4H.csv Fichier chargé avec succès: data\data_volatility_D.csv Modèles chargés avec succès: 2 modèle(s) Scalers chargés avec succès. Epoch 1/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 202s 305ms/step - loss: 0.0324 - mae: 0.1305 - val_loss: 0.0113 - val_mae: 0.0826 - learning_rate: 3.1250e-06 Epoch 2/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 155s 242ms/step - loss: 0.0316 - mae: 0.1298 - val_loss: 0.0111 - val_mae: 0.0817 - learning_rate: 3.1250e-06 Epoch 3/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 170s 264ms/step - loss: 0.0327 - mae: 0.1311 - val_loss: 0.0107 - val_mae: 0.0796 - learning_rate: 3.1250e-06 Epoch 4/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 155s 241ms/step - loss: 0.0315 - mae: 0.1295 - val_loss: 0.0116 - val_mae: 0.0838 - learning_rate: 3.1250e-06 Epoch 5/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 157s 245ms/step - loss: 0.0318 - mae: 0.1296 - val_loss: 0.0115 - val_mae: 0.0830 - learning_rate: 3.1250e-06 Epoch 6/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 179s 278ms/step - loss: 0.0319 - mae: 0.1293 - val_loss: 0.0122 - val_mae: 0.0868 - learning_rate: 3.1250e-06 Epoch 7/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 193s 299ms/step - loss: 0.0316 - mae: 0.1299 - val_loss: 0.0115 - val_mae: 0.0833 - learning_rate: 3.1250e-06 Epoch 8/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 196s 305ms/step - loss: 0.0321 - mae: 0.1307 - val_loss: 0.0122 - val_mae: 0.0868 - learning_rate: 3.1250e-06 Epoch 9/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 176s 274ms/step - loss: 0.0311 - mae: 0.1283 - val_loss: 0.0102 - val_mae: 0.0764 - learning_rate: 1.5625e-06 Epoch 10/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 155s 241ms/step - loss: 0.0316 - mae: 0.1294 - val_loss: 0.0098 - val_mae: 0.0743 - learning_rate: 1.5625e-06 Epoch 1/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 192s 287ms/step - loss: 0.0298 - mae: 0.1265 - val_loss: 0.0120 - val_mae: 0.0877 - learning_rate: 6.2500e-06 Epoch 2/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 185s 287ms/step - loss: 0.0304 - mae: 0.1267 - val_loss: 0.0114 - val_mae: 0.0848 - learning_rate: 6.2500e-06 Epoch 3/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 177s 275ms/step - loss: 0.0297 - mae: 0.1252 - val_loss: 0.0122 - val_mae: 0.0884 - learning_rate: 6.2500e-06 Epoch 4/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 184s 286ms/step - loss: 0.0294 - mae: 0.1252 - val_loss: 0.0127 - val_mae: 0.0902 - learning_rate: 6.2500e-06 Epoch 5/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 178s 277ms/step - loss: 0.0284 - mae: 0.1231 - val_loss: 0.0121 - val_mae: 0.0871 - learning_rate: 6.2500e-06 Epoch 6/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 168s 261ms/step - loss: 0.0292 - mae: 0.1250 - val_loss: 0.0126 - val_mae: 0.0900 - learning_rate: 6.2500e-06 Epoch 7/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 184s 286ms/step - loss: 0.0295 - mae: 0.1254 - val_loss: 0.0124 - val_mae: 0.0890 - learning_rate: 6.2500e-06 Epoch 8/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 178s 276ms/step - loss: 0.0291 - mae: 0.1245 - val_loss: 0.0102 - val_mae: 0.0777 - learning_rate: 3.1250e-06 Epoch 9/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 175s 272ms/step - loss: 0.0292 - mae: 0.1248 - val_loss: 0.0107 - val_mae: 0.0797 - learning_rate: 3.1250e-06 Epoch 10/10 643/643 ━━━━━━━━━━━━━━━━━━━━ 180s 279ms/step - loss: 0.0289 - mae: 0.1241 - val_loss: 0.0110 - val_mae: 0.0813 - learning_rate: 3.1250e-06 Scalers sauvegardés. Entraînement terminé. Fichier chargé avec succès: data\data_volatility_30M.csv Fichier chargé avec succès: data\data_volatility_1H.csv Fichier chargé avec succès: data\data_volatility_4H.csv Fichier chargé avec succès: data\data_volatility_D.csv MAPE: 0.0222, R2: 0.9853
=== Comparaison des performances === Initials: {'mape': 0.022204599635384036, 'r2': 0.9852862437748219} Updated: {'mape': np.float64(0.022204599635384036), 'r2': 0.9852862437748219} Le modèle mis à jour n'a pas de performances améliorées par rapport à l'initial.
=== Système de Prédiction === 1: Entraîner le modèle avec de nouvelles données 2: Mettre à jour le modèle avec des données incrémentales 3: Prédire le prochain prix 4: Afficher le graphique des prédictions 5: Exécuter le backtesting 6: Afficher les métriques de performance 7: Best optimisation ration 8: Quitter
Choisissez une option (1-8) : 3 Fichier chargé avec succès: data\data_volatility_1H.csv Prédiction du prochain prix : 880.19
=== Système de Prédiction === 1: Entraîner le modèle avec de nouvelles données 2: Mettre à jour le modèle avec des données incrémentales 3: Prédire le prochain prix 4: Afficher le graphique des prédictions 5: Exécuter le backtesting 6: Afficher les métriques de performance 7: Best optimisation ration 8: Quitter
Choisissez une option (1-8) :;;;;;;;;;;;;;;;;;;;il y a un probleme il affiche deux meme resultat or cest impossible que l'entrainement principal sorte texuellement le met resultat que la mise a jour;;;;avat meme l'ntrainement de mise a jour affiche les resultat du principal
- Assistant
Il semble qu'il y ait une confusion ou un problème avec l'affichage des résultats après l'entraînement et la mise à jour du modèle. Voici quelques pistes pour diagnostiquer et résoudre le problème :
-
Vérification du Code : Assurez-vous que le code qui entraîne le modèle initial et met à jour le modèle utilise des datasets distincts ou des itérations différentes des mêmes données. Cela garantira qu'il y a effectivement une différence dans les processus et potentiellement dans les résultats.
-
Affichage des Mots de Sortie : Vérifiez que l'affichage des résultats utilise des variables distinctes pour les résultats initiaux et mis à jour. Un problème commun pourrait être l'utilisation de la même variable ou structure de donnée pour afficher les résultats, générant ainsi un même affichage sans variation.
-
Valeurs de Retour des Fonctions : Assurez-vous que les fonctions qui calculent les métriques retournent bien les valeurs mesurées pour chaque modèle (initial et mis à jour) avant l'affichage. Cela aide à garantir que les valeurs des métriques ne sont pas écrasées ou mal référencées.
-
Historique ou Logs : Si possible, conservez un log détaillé ou l'historique des versions des modèles utilisés pour l'entraînement initial et la mise à jour. Cela pourrait vous aider à tracer toute évolution des performances ou des changements de paramètres qui ne seraient pas évidents autrement.
-
Validation des Modèles : Il est utile de valider que les modèles sauvegardés après l'entraînement initial et après la mise à jour soient effectivement différents (par exemple, en testant leur comportement sur un jeu de données de validation).
Si ces suggestions ne résolvent pas le problème, il peut être utile de revoir les logs ou d'ajouter des statements de débogage pour mieux comprendre le flux de données et comment les résultats sont calculés et affichés.
-
- User
non jai limpresiion quil compare apres avoir mise a jour le mdel initial du coup les resultat sont faussé
- Assistant
Si vous avez l'impression que le modèle mis à jour est directement comparé à la version initiale sans une véritable distinction entre les deux étapes, il est probable que le code ne gère pas correctement le stockage ou l'utilisation de deux versions distinctes du modèle. Voici quelques suggestions pour corriger cela :
-
Sauvegarder les Modèles : Assurez-vous que le modèle initial est sauvegardé avant toute mise à jour. Cela peut être fait en enregistrant le modèle sur le disque avec un nom différent, par exemple
model_initial.h5etmodel_updated.h5. -
Chargement Correct des Modèles : Lors de la comparaison, vérifiez que vous chargez le modèle initial pour l'évaluation initiale et le modèle mis à jour après l'entraînement incrémental. Assurez-vous que les chemins et les fichiers utilisés sont appropriés.
-
Séparation des Objets Modèles : Si vous manipulez les objets de modèle dans le code directement, utilisez deux instances différentes pour le modèle initial et le modèle mis à jour. Cela évitera que la mise à jour écrase le modèle initial en mémoire.
-
Validation avec Jeux de Données Distincts : Assurez-vous de toujours évaluer chaque modèle avec les jeux de données respectifs, qui devraient être les mêmes à chaque itération, pour une comparaison fiable.
-
Journalisation et Vérification des Modèles : Ajoutez des log statements pour indiquer explicitement quel modèle est utilisé à chaque étape, ainsi que ses caractéristiques uniques (par exemple, nombre d'époques, poids des couches).
-
Pertinence des Résultats : Assurez-vous que la validation et le calcul des métriques (comme MAPE ou R2) sont effectués séparément pour chaque version du modèle et que ces résultats sont correctement stockés et ensuite comparés.
Si après ces vérifications, le problème persiste, il sera peut-être utile de revérifier la logique d'application et les étapes d'entraînement et de mise à jour pour identifier d'éventuelles erreurs dans la gestion des objets modèle ou dans la logique de mise à jour et de comparaison.
-