1) 우리는 1개의 나무를 얻습니다. 2) 각 노드는 최대 10개의 분기를 제공할 수 있습니다(발견된 그림에서 더 적음, 각각 10개라고 상상). 각 분기는 1개의 양자에 의해 생성됩니다(양자는 10%의 예측 변수: 백분위수 또는 10% 사용된 양자화 방법에 따라 진폭). 3) 첫 번째 분할 후 3개의 퀀트가 발견되어 나중에 성공적인 목록으로 이어집니다. 4) 후속 부서에서 성공적인 이직으로 이어지는 더 좋은 분할/양을 찾습니다. 5) 성공적인 떠날 때까지 성공적인 양을 기억하십시오. 6) 예측 변수로 선택된 양자만을 사용하는 새로운 트리를 구축합니다.
이를 위해 첫 번째 트리를 양자화한 것과 동일한 방법을 사용하여 스크립트를 사용하여 예측자를 양자화합니다. 100개의 예측자 중 1000개를 얻었고 이미 이진 0 또는 1입니다. 예측자 값이 이 범위에 있으면 = 1, 그렇지 않으면 = 0입니다. 우리는 성공적인 경로/양자만 선택하고 있으므로 선택한 모든 양자 값은 = 1입니다. 모든 예측 변수가 1이면 새 트리는 학습할 수 없습니다. 답은 이미 알려져 있습니다.
아니면 더 이상 새로운 트리를 만들 필요가 없습니까? 예측 변수의 값이 선택한 퀀텀에 해당하면 즉시 조치를 취해야 합니까?
나는 첫 번째 단계에서 트리를 전혀 구축하지 않지만 트리를 통해 표현한다면 모든 예측자 범위를 한 번에 선택하는 트리를 구축해야 합니다. 그런 다음 각 시트를 평가하고 기준을 충족하면 분할 체인을 저장합니다. 그러나 나는 범위/양자를 강조하기 위해 3개의 배열을 선호합니다. 이것이 최종 모델에서 구현한 방법입니다.
따라서 모든 것이 사실인 것 같으므로 결과적으로 이러한 선택된 잎(양자/범위)에 대한 모델을 계속 구축합니다.
모델의 경우 "1"이 100% 정답을 의미하지는 않습니다. 모델의 작업은 답변을 집계하고 일종의 종속성을 구축하고 가중치를 분산하는 것입니다.
모델 없이도 가능합니까? 예측 정확도가 어떻게 이동하고 어떤 이동에서 얻을 수 있는지에 따라 다릅니다. 일부 전략은 올바른 항목의 35%로도 수익성이 있습니다. 내가 시도한 가장 간단한 옵션은 단순히 1의 수를 더하고(나도 그룹화함) 전체 임계값에서 입력 신호가 수신될 때까지 기다리는 것입니다.
나는 첫 번째 단계에서 트리를 전혀 구축하지 않지만 트리를 통해 표현한다면 모든 예측자 범위를 한 번에 선택하는 트리를 구축해야 합니다. 그런 다음 각 시트를 평가하고 기준을 충족하면 분할 체인을 저장합니다. 그러나 나는 범위/양자를 강조하기 위해 3개의 배열을 선호합니다. 이것이 최종 모델에서 구현한 방법입니다.
따라서 모든 것이 사실인 것 같으므로 결과적으로 이러한 선택된 잎(양자/범위)에 대한 모델을 계속 구축합니다.
모델의 경우 "1"이 100% 정답을 의미하지는 않습니다. 모델의 작업은 답변을 집계하고 일종의 종속성을 구축하고 가중치를 분산하는 것입니다.
모델 없이도 가능합니까? 예측 정확도가 어떻게 이동하고 어떤 이동에서 얻을 수 있는지에 따라 다릅니다. 일부 전략은 올바른 항목의 35%로도 수익성이 있습니다. 내가 시도한 가장 간단한 옵션은 단순히 1의 수를 더하고(나도 그룹화함) 전체 임계값에서 입력 신호가 수신될 때까지 기다리는 것입니다.
뭐, 트리로 하면 성공한 체인만 골라서 사용하는 것은 완성된 트리 모델을 복제하는 것입니다. 원하는 성공 확률을 제공하는 거래에 해당 잎을 사용하십시오(예: 클래스 확률이 70%인 모든 잎). 70% 미만의 확률에서는 단순히 나뭇잎에 반응하지 않습니다. 하시는 일과 비슷하다고 생각합니다.
그러나 당신은 배열을 통해 뭔가를 하고 있습니다 ... 그래서 아마도 아날로그가 아닐 것입니다.
뭐, 트리로 하면 성공한 체인만 골라서 사용하는 것은 완성된 트리 모델을 복제하는 것입니다. 원하는 성공 확률을 제공하는 거래에 해당 잎을 사용하십시오(예: 클래스 확률이 70%인 모든 잎). 70% 미만의 확률에서는 단순히 나뭇잎에 반응하지 않습니다. 내 생각에 이것은 당신이하는 일과 비슷합니다.
그러나 당신은 배열을 통해 무언가를 하고 있습니다 ... 그래서 그것은 아날로그가 아닐 수도 있습니다.
나는 나무에서 잎을 선택할 때 그러한 접근 방식을 가지고 있지만 다른 예측 변수의 관계도 거기에서 사용되며 여기에서는 트리를 통해 한 예측 변수의 한 가격 섹션을 강조 표시하는 것에 대해 이야기하고 있습니다. 그러한 섹션(범위/양자)에서 평균 15%.
당신이하는 일을 올바르게 이해 했습니까? :
1) 우리는 1개의 나무를 얻습니다.
2) 각 노드는 최대 10개의 분기를 제공할 수 있습니다(발견된 그림에서 더 적음, 각각 10개라고 상상). 각 분기는 1개의 양자에 의해 생성됩니다(양자는 10%의 예측 변수: 백분위수 또는 10% 사용된 양자화 방법에 따라 진폭).
3) 첫 번째 분할 후 3개의 퀀트가 발견되어 나중에 성공적인 목록으로 이어집니다.
4) 후속 부서에서 성공적인 이직으로 이어지는 더 좋은 분할/양을 찾습니다.
5) 성공적인 떠날 때까지 성공적인 양을 기억하십시오.
6) 예측 변수로 선택된 양자만을 사용하는 새로운 트리를 구축합니다.
이를 위해 첫 번째 트리를 양자화한 것과 동일한 방법을 사용하여 스크립트를 사용하여 예측자를 양자화합니다. 100개의 예측자 중 1000개를 얻었고 이미 이진 0 또는 1입니다. 예측자 값이 이 범위에 있으면 = 1, 그렇지 않으면 = 0입니다.
우리는 성공적인 경로/양자만 선택하고 있으므로 선택한 모든 양자 값은 = 1입니다. 모든 예측 변수가 1이면 새 트리는 학습할 수 없습니다. 답은 이미 알려져 있습니다.
아니면 더 이상 새로운 트리를 만들 필요가 없습니까? 예측 변수의 값이 선택한 퀀텀에 해당하면 즉시 조치를 취해야 합니까?
나는 첫 번째 단계에서 트리를 전혀 구축하지 않지만 트리를 통해 표현한다면 모든 예측자 범위를 한 번에 선택하는 트리를 구축해야 합니다. 그런 다음 각 시트를 평가하고 기준을 충족하면 분할 체인을 저장합니다. 그러나 나는 범위/양자를 강조하기 위해 3개의 배열을 선호합니다. 이것이 최종 모델에서 구현한 방법입니다.
따라서 모든 것이 사실인 것 같으므로 결과적으로 이러한 선택된 잎(양자/범위)에 대한 모델을 계속 구축합니다.
모델의 경우 "1"이 100% 정답을 의미하지는 않습니다. 모델의 작업은 답변을 집계하고 일종의 종속성을 구축하고 가중치를 분산하는 것입니다.
모델 없이도 가능합니까? 예측 정확도가 어떻게 이동하고 어떤 이동에서 얻을 수 있는지에 따라 다릅니다. 일부 전략은 올바른 항목의 35%로도 수익성이 있습니다. 내가 시도한 가장 간단한 옵션은 단순히 1의 수를 더하고(나도 그룹화함) 전체 임계값에서 입력 신호가 수신될 때까지 기다리는 것입니다.
아마도 앞으로를 사용하거나 예측자에 시간을 포함할 것입니다.
물론 예측 변수에 시간이 있지만 안정적인 주기를 나타내지만 예측 변수 드리프트에 대한 기대는 나타나지 않습니다.
비교는 하지 않지만 둘 다 "끌어낼 수 있다"고 합니다. 그들이 그림을 그리든 말든 - 저와 여러분 모두 100% 알지 못합니다. 그림을 그릴 때도 있고 안 그릴 때도 있는 것 같아요. 그리고 그들이 그림을 그리지 않는 순간에 우리는 무언가를 얻을 수 있습니다.
oanda와 CME 외에는 잘 모르겠습니다. 나머지는 가격 차트와 틱 거래량만 있습니다.
oanda와 CME를 제외하고는 ?
다시 비교!
CME에서는 거래량을 측정하고 DC에서는 감정을 측정합니다.
중소기업은 감정이 없다
DC에 볼륨이 없습니다.
이것은 동일하지 않습니다!!! 정신차리세요 제 키보드를 불쌍히 여겨주세요.. PLEASE:)
oanda와 CME를 제외하고 ?
다시 비교!
CME에서는 거래량을 측정하고 DC에서는 감정을 측정합니다.
중소기업은 감정이 없다
DC에 볼륨이 없습니다.
이것은 동일하지 않습니다!!! 정신차리세요 제 키보드를 불쌍히 여겨주세요.. PLEASE:)
반복합니다. 비교는 하지 않지만 둘 다 '끌어낼 수 있다'고 합니다.
그리고 공통점은 가격 차트와 틱 볼륨 만있는 다른 모든 것과 다르다는 것입니다. 이 2개는 적어도 분석할 다른 것을 제공합니다.
그렇다면 그들 모두보다 더 많은 정보를 제공하는 다른 8가지가 있습니까? 흥미롭게 볼 수 있습니다.
나는 첫 번째 단계에서 트리를 전혀 구축하지 않지만 트리를 통해 표현한다면 모든 예측자 범위를 한 번에 선택하는 트리를 구축해야 합니다. 그런 다음 각 시트를 평가하고 기준을 충족하면 분할 체인을 저장합니다. 그러나 나는 범위/양자를 강조하기 위해 3개의 배열을 선호합니다. 이것이 최종 모델에서 구현한 방법입니다.
따라서 모든 것이 사실인 것 같으므로 결과적으로 이러한 선택된 잎(양자/범위)에 대한 모델을 계속 구축합니다.
모델의 경우 "1"이 100% 정답을 의미하지는 않습니다. 모델의 작업은 답변을 집계하고 일종의 종속성을 구축하고 가중치를 분산하는 것입니다.
모델 없이도 가능합니까? 예측 정확도가 어떻게 이동하고 어떤 이동에서 얻을 수 있는지에 따라 다릅니다. 일부 전략은 올바른 항목의 35%로도 수익성이 있습니다. 내가 시도한 가장 간단한 옵션은 단순히 1의 수를 더하고(나도 그룹화함) 전체 임계값에서 입력 신호가 수신될 때까지 기다리는 것입니다.
뭐, 트리로 하면 성공한 체인만 골라서 사용하는 것은 완성된 트리 모델을 복제하는 것입니다. 원하는 성공 확률을 제공하는 거래에 해당 잎을 사용하십시오(예: 클래스 확률이 70%인 모든 잎). 70% 미만의 확률에서는 단순히 나뭇잎에 반응하지 않습니다. 하시는 일과 비슷하다고 생각합니다.
그러나 당신은 배열을 통해 뭔가를 하고 있습니다 ... 그래서 아마도 아날로그가 아닐 것입니다.
물론 예측 변수에 시간이 있지만 안정적인 주기를 나타내지만 예측 변수 드리프트에 대한 기대는 나타나지 않습니다.
제대로 표현되지 않았습니다. 시간 종속 가중치가 손실 함수에 추가됨을 의미했습니다. 훈련 기간의 끝이 가까울수록 체중이 증가합니다. 감소가 있거나 없는 변형은 평균적으로(가중치 없이) 동일하더라도 다른 손실을 제공합니다. 하지만 당연히 실험을 해야 합니다.
그렇다면 그들 모두보다 더 많은 정보를 제공하는 다른 8가지가 있습니까? 흥미롭게 볼 수 있습니다.
무엇 때문에?
이제 여기에 삽입할 10개의 링크를 Google에 입력합니다.
당신은 그것으로 무엇을 할 것인가?
아무 것도 아니라고 99.999% 확신해, 그냥 내 시간을 낭비하고 있어
고객의 위치에 대한 정보를 제공하는 약 17개의 DC 충격이 있습니다.
Google은 우리의 모든 것입니다.
하지만 난 내 자신을 찾았어
포럼 알레르기의 일부 링크에서뭐, 트리로 하면 성공한 체인만 골라서 사용하는 것은 완성된 트리 모델을 복제하는 것입니다. 원하는 성공 확률을 제공하는 거래에 해당 잎을 사용하십시오(예: 클래스 확률이 70%인 모든 잎). 70% 미만의 확률에서는 단순히 나뭇잎에 반응하지 않습니다. 내 생각에 이것은 당신이하는 일과 비슷합니다.
그러나 당신은 배열을 통해 무언가를 하고 있습니다 ... 그래서 그것은 아날로그가 아닐 수도 있습니다.
나는 나무에서 잎을 선택할 때 그러한 접근 방식을 가지고 있지만 다른 예측 변수의 관계도 거기에서 사용되며 여기에서는 트리를 통해 한 예측 변수의 한 가격 섹션을 강조 표시하는 것에 대해 이야기하고 있습니다. 그러한 섹션(범위/양자)에서 평균 15%.
제대로 표현되지 않았습니다. 시간 종속 가중치가 손실 함수에 추가됨을 의미했습니다. 훈련 기간의 끝이 가까울수록 체중이 증가합니다. 감소가 있거나 없는 변형은 평균적으로(가중치 없이) 동일하더라도 다른 손실을 제공합니다. 하지만 당연히 실험을 해야 합니다.
나는 처음에 통계를 어떻게든 계산할 필요가 있다고 생각합니다. 이것에 의미가 있습니까? 그리고 나서야 학습 과정에 도입되어야 합니다.
따라서 문제는 여전히 올바른 방법입니다.
비슷한 시간 간격에 10개의 측정 지점이 있는 3개의 이러한 이진 시퀀스가 있다고 가정해 보겠습니다.
A[]={1,0,0,1,1,1,1,1,0,1};
B[]={1,1,1,1,1,1,1,0,0,1};
C[]={1,1,0,1,1,1,0,1,0,1};
그리고 이제 나는 단위의 출현 확률이 단위의 성장에 따라 어떻게 변하는지에 대한 그래프를 이해 / 작성하고 싶습니다.
내가 이해하기로는 시작하려면 시퀀스의 수를 계산해야 하지만 다시 긴 시퀀스를 하나로 계산해야 하거나 별도로 계산해야 합니다(예: 1111을 1.11, 111 및 1111로 나눈 값), 아니면 그냥 11?
그리고 나서 무엇을 해야 합니까 - 프로세스의 규칙성 또는 무작위성의 존재를 평가하는 방법은 무엇입니까?
무엇 때문에?
고맙습니다. 시작을 해봐야겠습니다. 어떻게든 사용할 수 있어요