트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 1923

 
mytarmailS :


선생님 없이 차원을 줄이는 것 같나요, 아니면 "uwot"(umap)에 대해 말하는 것입니다.

 
블라디미르 페레르벤코 :

선생님 없이 차원을 줄이는 것 같나요, 아니면 "uwot"(umap)에 대해 말하는 것입니다.

예, "umap" 패키지만 사용합니다.

 
mytarmailS :

예, "umap" 패키지만 사용합니다.

말도 안돼 목표에 맞는 공간으로 축소하는 것이 변환의 목표입니다. 또한, 이들은 tSNE처럼 훈련하는 것이 아니라 새로운 데이터(유효한/테스트)를 처리하는 기능을 제공하는 유일한 두 패키지입니다.

변환 후 dbscan으로 클러스터링합니다. 결과 클러스터는 포함된 변수에 대한 추가 예측 변수입니다. 여기에 옵션이 있습니다.

행운을 빕니다

 
mytarmailS :

예, "umap" 패키지만 사용합니다.

방법의 이름은 무엇입니까? 어쨌든 그것은 무엇입니까? 나는 파이썬을 볼 것이다

사진 속의 아메바와 세포의 어떤 종류의 생명체

그런데 마술사도 비슷한 변신을 보였다. 그는 거기에 점을 늘이고 타원으로 압축했습니다. 나는 그런 것을 기억합니다.

 
막심 드미트리예프스키 :

방법의 이름은 무엇입니까? 어쨌든 그것은 무엇입니까? 나는 파이썬을 볼 것이다

사진 속의 아메바와 세포의 어떤 종류의 생명체

파이썬에서 같은 이름의 패키지는 umap입니다.

 
블라디미르 페레르벤코 :

파이썬에서 같은 이름의 패키지는 umap입니다.

감사합니다 한번 볼게요

 
블라디미르 페레르벤코 :

목표에 맞는 공간으로 축소하는 것이 변환의 목표입니다.

Duc, 어떻게 해야 하나요? 대상에 대한 이 통신을 어디에서 받을 수 있나요? 그리고 일반적으로 이 개념은 무엇을 의미합니까?

블라디미르 페레르벤코 :

또한, 이들은 tSNE처럼 훈련하는 것이 아니라 새로운 데이터(유효한/테스트)를 처리하는 기능을 제공하는 유일한 두 패키지입니다.

그래서 내가 이 패키지를 선택한 이유

블라디미르 페레르벤코 :

변환 후 dbscan으로 클러스터링합니다. 결과 클러스터는 포함된 변수에 대한 추가 예측 변수입니다. 여기에 옵션이 있습니다.

나는 안다)) 나는 마지막 페이지에 대해 썼다.   dbscan )

그러나 클러스터가 있는 첫 번째 경우에는 여전히 재생해야 하고 두 번째 경우에는 새 데이터를 매우 느리게 인식하므로 번거롭습니다.

어디선가 읽었습니다. 패키지가 r-studio에서 만들어질 예정이었다면 칩이 나타났어야 했습니다. 클러스터를 마우스로 바로 수동으로 선택할 수 있다는 내용을 들어본 적이 있습니까?

 
막심 드미트리예프스키 :

감사합니다 한번 볼게요

나는 그것을 사용하거나 오히려 R의 래퍼를 사용합니다.

 
mytarmailS :

Duc, 어떻게 해야 하나요? 대상에 대한 이 통신을 어디에서 받을 수 있나요? 그리고 일반적으로 이 개념은 무엇을 의미합니까?

그래서 내가 이 패키지를 선택한 이유

나는 안다)) 나는 마지막 페이지에 대해 썼다.   dbscan )

그러나 클러스터가 있는 첫 번째 경우에는 여전히 재생해야 하고 두 번째 경우에는 새 데이터를 매우 느리게 인식하므로 번거롭습니다.

어디선가 읽었습니다. 패키지가 r-studio에서 만들어질 예정이었다면 칩이 나타났어야 했습니다. 클러스터를 마우스로 바로 수동으로 선택할 수 있다는 내용을 들어본 적이 있습니까?

순서대로:

상수 설정:

 #---const-------------------------------
evalq({
  n_n <- 15 L
  min_d <- 0.1
  n_c <- 3 L
  metr <- "euclidean" # "euclidean" (the default ) "cosine" "manhattan"
  lr <- 0.75
  scale <- "none" 
   #               "none"
   #               "scale" or TRUE ,
   #               "maxabs" Center each column to mean 0 , then divide each element by the maximum 
   #                         absolute value over the entire matrix.
   #               "range"
  init <- "spectral" # "spectral" # "normlaplacian" . # "random" .
   # "lvrandom" . # "laplacian" .   # "pca" . # "spca" .
}, env)

지도 학습의 경우 수식에 대상 y를 추가하고 모델을 반환하도록 지정하기만 하면 됩니다(ret_model = TRUE).

 #-----superveised------------------
evalq({
  y <- factor(denoiseX1pretrain$origin$y)
  origin.sumap <- umap(X = x, y = y, approx_pow = TRUE, n_neighbors = n_n, 
                       learning_rate = lr, min_dist = min_d, n_components = n_c, ret_model = TRUE,
                       metric = metr, init = init, n_threads = 4 L, scale = scale)
}, env)

모델이 있으면 원본 데이터 그룹의 3차원 및 기타 하위 집합 train/test/test1로 변환할 수 있습니다. 코드 아래

#---train--------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$train$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> train.sumap
}, env)
#---test--------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$test$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test.sumap
}, env)
#---test1-------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$test1$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test1.sumap
}, env)

x/y를 대입하고 두 그룹으로 나누어진 3차원 공간에서 데이터를 가져옵니다. 미완성 기사에서 가져옴. 어딘가에 사진이 있지만 지금은 찾을 수 없습니다. 필요하면 내일 찾아보겠습니다. 그러나 나는 당신이 당신의 것을 얻을 수 있다고 생각합니다.

행운을 빕니다

 

설립하다

resdimX1_origin

사유: