직설적으로 말하자면, 슬라이딩 수익률 표본에서 이 이산 계열에 대한 ACF 추정치를 계산해야 합니다 . 주기적이라면 다음 수익은 Kolmogorov에 따라 100%로 예측됩니다. 하지만 ACF의 주기성을 추정하는 기준을 모르겠다. 그녀를 보는 것은 "눈으로"가 아니라 사실 ...
온열 장치.
예측 모델에 대해 그다지 일반적이지 않은 예측 변수 집합을 확장해 보겠습니다.
여기에서
시계열 예측 방법 메타 러닝
Thiyanga S Talagala, Rob J Hyndman 및 George Athanasopoulos
그곳에서 신의 구루와 그의 파다완 몇 명만이 사람을 추가하고 스카이프와 개인 데이터를 개인으로 보내주세요. 묻겠습니다. 하지만 나는 그곳의 권위자가 아니기 때문에 아무 약속도 하지 않습니다. 슬리퍼에. 이들은 가까운 시장 활동으로 주목받을 회색 추기경, 인형 및 회사이며 평생 수치심으로 낙인 찍혀 있으며 수치심은 수천억 개의 녹지에 대해서만 씻어 낼 수 있습니다.
감사합니다. 저는 회원 자격에 관심이 없습니다. 회원 자격은 제가 이해하기에 상당한 어려움이 있지만 그 수준은 그다지 중요하지 않을 것입니다.
당신은 이 그룹에서 MO 모델의 통일된 표현이 고려된다고 썼습니다. 이것들은 제가 보고 싶은 모델입니다.
비교를 위해 나는 또한 나의 겸손한 발전을 보여줄 준비가 되어 있습니다. 훈련된 모델을 바이너리 또는 텍스트 형식과 소스 코드 형식으로 직렬화합니다.
ZZ 매개변수는 각 악기와 기간에 따라 다릅니다. 예를 들어 EURUSD M15의 경우 좋은 초기 값은 15핍(4자리)입니다. 또한 사용 중인 예측 변수에 따라 다릅니다. 좋은 결과를 위해서는 예측 변수와 ZZ 매개 변수를 함께 최적화해야 합니다. 따라서 비모수 예측 변수를 사용하는 것이 바람직하며 수명이 크게 단순화됩니다. 이 용량에서 디지털 필터 는 좋은 결과를 보여줍니다. 앙상블과 계단식을 사용하여 평균 정확도 = 0.83을 얻었습니다. 이것은 매우 좋은 결과입니다. 내일 확인을 위해 프로세스가 설명된 기사를 보내드리겠습니다.
행운을 빕니다
그리고 순전히 다른 모델을 시도하여 ZZ 설정을 어떻게 알 수 있습니까? 이러한 설정으로 최상의 결과를 제공하는 것이 더 나은 것입니까?
어제 저는 그들이 왜 의사결정나무를 찾는지 생각해 냈습니다. 엔티티를 설명하는 모델? 저것들. 전체 본질을 일반적으로 설명해야 하는 이유는 무엇입니까? 아마도 이 본질에서 가장 이해하기 쉽고 예측 가능한 부분을 찾아야 하는 것일까요? 나는 나무에서 잎을 수집하기 때문에 완전한 의사 결정 트리를 구축하지 않고 그러한 잎을 검색하는 방법을 사용해야 할 수도 있다고 생각했습니다. 컴퓨팅 시간을 보냈다.
나는 인터넷에 머리를 찔러 보았고 어디에도 이와 같은 것을 보지 못했습니다. 누군가가 그러한 발전에 대해 알고 있습니까?
알고리즘을 구상하는 동안 가장 먼저 해야 할 일은 클래스 중 하나의 예측 능력이 두드러지는 예측자를 선택하는 반면 예측자는 분명히 이진화해야 한다고 생각합니다. 각 예측 변수에 대해 고유한 샘플을 구성하거나 일반 샘플에서 제외 범위를 만들어야 합니다(더 합리적인?). 그런 다음 선택한 예측 변수(및 이들의 조합)를 사용하여 특정 클래스(내 경우에는 3개 클래스)에 대한 그루터기를 구축하고 이 그루터기에 나머지 예측자를 구축합니다. 동시에 특정 클래스의 선호도도 확인할 수 있습니다. 그런 다음 아이디어에 따라 특정 대상에서 가장 분류하기 쉬운 영역을 찾습니다. 그리고 나머지 영역은 비활성/대기 영역일 것입니다.
물론 그런 다음 나뭇잎이 서로 겹쳐진 위치를 볼 수 있으며 이러한 경우 평균 결과를 얻을 수 있습니다. 예, 나무 모양은 나중에 이런 방식으로 만들 수 있지만 다른 대상 영역의 다른 영역에 밀도로 인해 투표 요소가 있습니다.
직설적으로 말하자면, 슬라이딩 수익률 표본에서 이 이산 계열에 대한 ACF 추정치를 계산해야 합니다 . 주기적이라면 다음 수익은 Kolmogorov에 따라 100%로 예측됩니다. 하지만 ACF의 주기성을 추정하는 기준을 모르겠다. 그녀를 보는 것은 "눈으로"가 아니라 사실 ...
온열 장치.
예측 모델에 대해 그다지 일반적이지 않은 예측 변수 집합을 확장해 보겠습니다.
여기에서
시계열 예측 방법 메타 러닝
Thiyanga S Talagala, Rob J Hyndman 및 George Athanasopoulos
그곳에서 신의 구루와 그의 파다완 몇 명만이 사람을 추가하고 스카이프와 개인 데이터를 개인으로 보내주세요. 묻겠습니다. 하지만 나는 그곳의 권위자가 아니기 때문에 아무 약속도 하지 않습니다. 슬리퍼에. 이들은 가까운 시장 활동으로 주목받을 회색 추기경, 인형 및 회사이며 평생 수치심으로 낙인 찍혀 있으며 수치심은 수천억 개의 녹지에 대해서만 씻어 낼 수 있습니다.
감사합니다. 저는 회원 자격에 관심이 없습니다. 회원 자격은 제가 이해하기에 상당한 어려움이 있지만 그 수준은 그다지 중요하지 않을 것입니다.
당신은 이 그룹에서 MO 모델의 통일된 표현이 고려된다고 썼습니다. 이것들은 제가 보고 싶은 모델입니다.
비교를 위해 나는 또한 나의 겸손한 발전을 보여줄 준비가 되어 있습니다. 훈련된 모델을 바이너리 또는 텍스트 형식과 소스 코드 형식으로 직렬화합니다.
온열 장치.
예측 모델에 대해 그다지 일반적이지 않은 예측 변수 집합을 확장해 보겠습니다.
여기에서
시계열 예측 방법 메타 러닝
Thiyanga S Talagala, Rob J Hyndman 및 George Athanasopoulos
좋은 리뷰 기사입니다. 제 생각에는 고려된 시계열 집합이 우리에게 너무 넓습니다. 방법에 대한 유사한 개요를 보고 싶지만 우리에게 흥미로운 시리즈 유형에 대한 것입니다.
또한 몇 가지 새로운 방법과 모델을 살펴보고 싶습니다. 예를 들어 변칙적 확산 이 있습니다( 더 많이 사용됨).
좋은 리뷰 기사입니다. 제 생각에는 고려된 시계열 집합이 우리에게 너무 넓습니다. 방법에 대한 유사한 개요를 보고 싶지만 우리에게 흥미로운 시리즈 유형에 대한 것입니다.
또한 몇 가지 새로운 방법과 모델을 살펴보고 싶습니다. 예를 들어 변칙적 확산 이 있습니다( 더 많이 사용됨).
나는 테이블 뒤에서 링크를 제공했습니다. 예측 변수에 대한 새로운 관점과 ACF에 대한 Alexander의 생각이 어떻게 발전했는지 살펴보십시오.
나는 테이블 뒤에서 링크를 제공했습니다. 예측 변수에 대한 새로운 관점과 ACF에 대한 Alexander의 생각이 어떻게 발전했는지 살펴보십시오.
그는 70년 된 모델로 자신과 우리를 고문하기보다는 이 변칙적인 확산과 시장에 대한 적용을 더 잘 연구했을 것입니다. 이것은 그의 큰 열정과 체육의 유용한 응용 프로그램이 될 것입니다.
ZZ 매개변수는 각 악기와 기간에 따라 다릅니다. 예를 들어 EURUSD M15의 경우 좋은 초기 값은 15핍(4자리)입니다. 또한 사용 중인 예측 변수에 따라 다릅니다. 좋은 결과를 위해서는 예측 변수와 ZZ 매개 변수를 함께 최적화해야 합니다. 따라서 비모수 예측 변수를 사용하는 것이 바람직하며 수명이 크게 단순화됩니다. 이 용량에서 디지털 필터 는 좋은 결과를 보여줍니다. 앙상블과 계단식을 사용하여 평균 정확도 = 0.83을 얻었습니다. 이것은 매우 좋은 결과입니다. 내일 확인을 위해 프로세스가 설명된 기사를 보내드리겠습니다.
행운을 빕니다
그리고 순전히 다른 모델을 시도하여 ZZ 설정을 어떻게 알 수 있습니까? 이러한 설정으로 최상의 결과를 제공하는 것이 더 나은 것입니까?
시간(막대)이 아닌 ZZ에 핍을 선호하는 이유는 무엇입니까?
그리고 순전히 다른 모델을 시도하여 ZZ 설정을 어떻게 알 수 있습니까? 이러한 설정으로 최상의 결과를 제공하는 것이 더 나은 것입니까?
시간(막대)이 아닌 ZZ에 핍을 선호하는 이유는 무엇입니까?
1. 다양한 최적화 방법이 있습니다.
2. 경험에서.
행운을 빕니다
어제 저는 그들이 왜 의사결정나무를 찾는지 생각해 냈습니다. 엔티티를 설명하는 모델? 저것들. 전체 본질을 일반적으로 설명해야 하는 이유는 무엇입니까? 아마도 이 본질에서 가장 이해하기 쉽고 예측 가능한 부분을 찾아야 하는 것일까요? 나는 나무에서 잎을 수집하기 때문에 완전한 의사 결정 트리를 구축하지 않고 그러한 잎을 검색하는 방법을 사용해야 할 수도 있다고 생각했습니다. 컴퓨팅 시간을 보냈다.
나는 인터넷에 머리를 찔러 보았고 어디에도 이와 같은 것을 보지 못했습니다. 누군가가 그러한 발전에 대해 알고 있습니까?
알고리즘을 구상하는 동안 가장 먼저 해야 할 일은 클래스 중 하나의 예측 능력이 두드러지는 예측자를 선택하는 반면 예측자는 분명히 이진화해야 한다고 생각합니다. 각 예측 변수에 대해 고유한 샘플을 구성하거나 일반 샘플에서 제외 범위를 만들어야 합니다(더 합리적인?). 그런 다음 선택한 예측 변수(및 이들의 조합)를 사용하여 특정 클래스(내 경우에는 3개 클래스)에 대한 그루터기를 구축하고 이 그루터기에 나머지 예측자를 구축합니다. 동시에 특정 클래스의 선호도도 확인할 수 있습니다. 그런 다음 아이디어에 따라 특정 대상에서 가장 분류하기 쉬운 영역을 찾습니다. 그리고 나머지 영역은 비활성/대기 영역일 것입니다.
물론 그런 다음 나뭇잎이 서로 겹쳐진 위치를 볼 수 있으며 이러한 경우 평균 결과를 얻을 수 있습니다. 예, 나무 모양은 나중에 이런 방식으로 만들 수 있지만 다른 대상 영역의 다른 영역에 밀도로 인해 투표 요소가 있습니다.
이 아이디어에 대해 어떻게 생각하세요?
1. 다양한 최적화 방법이 있습니다.
2. 경험에서.
행운을 빕니다
1. 그래서 이 방법들에 대해 알고 싶습니다. 그런 다음 나는 다시 자전거를 발명합니다 (나는 이미 이데올로기를 설명했습니다). 갑자기 모든 것이 우리 앞에서 이미 완료되었습니다 ...
2. 이해할 수 있습니다. 그러나 불합리하다.
블라디미르! VR과 관련하여 "미래 선택" 방법(또는 이와 유사한 것)이 있는지 알려주지 않습니까? VR을 분석하는 알고리즘은 예측을 더 잘하기 위해 무언가를 버리거나 추가할 수 있지만 Google은 나를 돕지 않았습니다(