Training Tab: Configuración de ejecución

---

Archivo de configuración

Seleccione el archivo JSON con los parámetros de entrenamiento usando el botón Examinar, o use el botón ? para cargar automáticamente una plantilla por defecto.

Si usa el trainer de AiDataGenByLeo, el formato del JSON debe ser el siguiente:

{
    "general": {
        "path": "C:\\Users\\USER\\AppData\\Roaming\\MetaQuotes\\Terminal\\Common\\Files\\EasySbAi\\EURUSD",
        "features_pred_file": "Features\\features_model.csv",
        "features_tp_file": "Features\\features_model.csv",
        "features_sl_file": "Features\\features_model.csv",
        "file_name_idx" : "idx.txt",
        "file_name_features_ptr" : "features_ptr.txt"
    },
    "clasificacion": {
        "target_col": " salida",
        "model_name": "ModelPred",
        "num_features": 25,
        "validation_split": 0.2,
        "n_trials": 75,
        "k_folds": 5,
        "random_seed": 42,
        "hilos": 2,
        "jobs_optuna": 12,
        "final_hilos": 20,
        "data_csv_file" : "data_pred.csv"
    },
    "regresion": {
        "target_col": " salida",
        "model_name_tp": "ModelTP",
        "model_name_sl": "ModelSL",
        "num_features": 25,
        "validation_split": 0.2,
        "n_trials": 75,
        "k_folds": 5,
        "random_seed": 42,
        "hilos": 2,
        "jobs_optuna": 12,
        "final_hilos": 20,
        "_coment" : "Aqui se ubican los archivos de salida para tpy sl, el nombre de estos su ubicacion es relativa a MainFolder en este caso EasySb",
        "data_csv_file_tp": "data_tp.csv",
        "data_csv_file_sl" : "data_sl.csv"
    }
}

Descripción de los campos principales:

general

• path: Ruta absoluta al folder del símbolo. El trainer recorrerá automáticamente todos los timeframes y labels dentro de esta carpeta.
• features_pred_file, features_tp_file, features_sl_file: Rutas relativas al folder del símbolo para los archivos .csv de features de cada modelo. Si tiene un .fgblc, compílelo primero desde el Feature Editor.
• file_name_idx: Nombre del archivo donde se pondrán los indices relativos al archivo de features.
• file_name_features_ptr: Nombre del archivo de features (puntero) aqui se ubicaran los path a los archivos de features reales.

clasificacion

• target_col: Nombre de la columna objetivo en el CSV.
• model_name: Nombre del modelo de clasificación.
• num_features: Número de features a seleccionar.
• validation_split: Proporción de datos para validación (0.2 = 20%).
• n_trials: Número de trials de Optuna para optimización de hiperparámetros.
• k_folds: Número de folds para validación cruzada.
• random_seed: Semilla aleatoria para reproducibilidad.
• hilos: Hilos para el entrenamiento final.
• jobs_optuna: Hilos paralelos para Optuna.
• final_hilos: Hilos para el modelo final entrenado.
• data_csv_file: Archivo CSV con los datos de entrenamiento, relativo al folder label_labelid.

regresion: Mismos campos que clasificacion con la diferencia de que hay dos modelos (model_name_tp y model_name_sl) y dos archivos de datos (data_csv_file_tp y data_csv_file_sl).

Si ha creado su propio trainer Python, use el formato JSON que corresponda a su implementación.

---

Otros campos

• Archivo Python: Use el botón Examinar para seleccionar el archivo del trainer. Se permiten formatos .exe y .py.

  Para ejecutar un .py directamente debe configurar los parámetros InpTrainingPyInterpete y InpTrainingPyPath en las entradas del EA. Ver: EA-Parameters

• Archivo log: Opcional. Especifique un archivo .log donde se escribirán todos los logs del proceso Python. Si se deja vacío, los logs se mostrarán directamente en la consola del proceso.

• Tiempo límite de ejecución: Tiempo máximo en segundos que se le permite correr al proceso Python. Por defecto: 1800 segundos (30 minutos).

• Botón Ejecutar: Inicia el proceso de entrenamiento con la configuración actual. El botón cambia a Ejecutando... mientras el proceso está en curso.