Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3041

 
mytarmailS #:
Es lohnt sich zu vergleichen.
Ich habe es mir nur aus Neugierde angeschaut

Es ist nicht klar, wie man vergleichen kann. UpSample sollte aufgrund der Duplizierung identischer Daten zu Übertraining führen, was nicht sofort erkennbar ist.

 
СанСаныч Фоменко #:

Es ist nicht klar, wie man vergleichen kann. Im Idealfall sollte upSample aufgrund der Duplizierung identischer Daten zu einem Übertraining führen, das nicht sofort erkennbar ist.

Warum nicht? Trainieren, testen, validieren und los.

 
mytarmailS #:

Warum auch nicht? trainieren, testen, validieren und loslegen.

Schade, ich habe den Avatar geändert.

 
СанСаныч Фоменко #:

Schade, avar hat sich geändert

Und warum?

 
Der Militarismus ist auch bei diesem niedlichen, knuddeligen Thema angekommen
 
Maxim Dmitrievsky #:
Der Militarismus ist zu diesem niedlichen, kuscheligen Thema geworden.

Ist das also ein Scharfschütze, den er da hat?

 

Ich versuche, den Raum zu linearisieren oder einfach einen nicht linearen Raum in einen lineareren Raum zu übersetzen. Ich interessiere mich für den HLLE-Algorithmus.


https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction


sieht ziemlich interessant aus. Ich habe den Eindruck, dass der AMO eine solche Skizze leichter erkennen kann als der Preis, so wie er ist.

Kann mir jemand sagen, warum die Farben in der Animation so unschön verzerrt sind, wenn ich sie hier hochlade?


So sieht also der durch den Algorithmus transformierte Preis aus.


Wer Lust hat, herumzuspielen

p <- cumsum(rnorm(400,sd = 0.01))+100
p <- stats::embed(p,dimension = 20)[,20:1]
plot(p[,20],t="l",pch=20)

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)

pp <- emb@org.data[,20]
xx <- emb@data@data

par(mar=c(2,2,2,2), mfrow=c(1,2))
plot(pp,t="l",pch=20)
plot(xx,t="p",pch=20)

for(i in 1:nrow(xx)){
  Sys.sleep(0.05)

  plot(pp,t="l",pch=20)
  points(i,pp[i],col=2,lwd=6)
  plot(xx, t="p",lwd=2,pch=20)
  points(xx[i,1],xx[i,2],col=2,lwd=6)
}
Dateien:
anigif.zip  6455 kb
 

Nun, das vielfältige Lernen hat die gleichen Probleme wie pca.

Sie werden es schwer haben, nicht-stationäre Reihen anzupassen.

 
Maxim Dmitrievsky #:

Nun, ich lerne mit den gleichen Problemen wie pca.

Sie werden es schwer haben, nicht-stationäre Reihen anzupassen.

Es gibt nichts zu erfassen, das aktuelle Muster wird in eine andere Dimension transformiert, das ist alles.

 

ein schöneres Bild gemacht

p <- cumsum(rnorm(300,sd = 0.01))+100
n <- 10
p <- stats::embed(p,dimension = n)[,n:1]

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)
pp <- emb@org.data[,n]
xx <- emb@data@data


gg <- cbind.data.frame(time=1:length(pp),xx,pp)
library(patchwork)
library(ggplot2)
p1 <- ggplot(gg, aes(x =time, y = pp, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p2 <- ggplot(gg, aes(x = HLLE1, y = HLLE2, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p1 + p2 + plot_layout(nrow = 2)