Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 96
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Da es sich bei den Daten der Irisblütenblätter nicht um ein Signal handelt, ist diese Tabelle für einen Forecast-Test überhaupt nicht geeignet. Nur eine Zeitreihe eignet sich für einen Stapel, bei dem Sie in bestimmten Abständen neue Werte erhalten und diese zu einem Vektor zusammenfassen. Aus diesem Grund können Sie die Reihenfolge der Zeilen in der Datentabelle für foreca nicht ändern. Und Sie können nicht wahllos einige Zeilen für die Validierung entfernen, alles muss in strikter Reihenfolge erfolgen - erst Daten für das Training, dann Daten für die Validierung. Keine Probe.
Bei der Irisblende ist es am besten, die maximale Anzahl von Komponenten zu verwenden min(dim(forec.dt)) = 14, aber ich denke, die Genauigkeit wird immer noch unter 100 % liegen.
Für die Irisblende ist es am besten, die maximale Anzahl der Komponenten min(dim(forec.dt)) zu verwenden = 14, aber ich denke, die Genauigkeit wird immer noch unter 100 % liegen.
Da es sich bei den Daten der Irisblütenblätter nicht um ein Signal handelt, ist diese Tabelle für einen Forecast-Test überhaupt nicht geeignet. Nur eine Zeitreihe eignet sich für einen Stapel, bei dem Sie in bestimmten Abständen neue Werte erhalten und diese zu einem Vektor zusammenfassen. Aus diesem Grund können Sie die Reihenfolge der Zeilen in der Datentabelle für foreca nicht ändern. Und Sie können nicht wahllos einige Zeilen für die Validierung entfernen, alles muss in strikter Reihenfolge erfolgen - erst Daten für das Training, dann Daten für die Validierung. Keine Probe.
Die beste Vorgehensweise bei Iris ist die Verwendung der maximalen Anzahl von Komponenten min(dim(forec.dt)) = 14, aber ich denke, die Genauigkeit wird immer noch unter 100 % liegen.
Ich halte den Beitrag über die Schwertlilien für sehr wichtig.
Der Punkt ist, dass HF phänomenal anfällig für Übertraining ist.
Und hier stellt sich heraus, dass foreCA keine solche Neigung hat. Es ist also ein sehr nützliches Paket.
Ich finde den Beitrag über Schwertlilien sehr wichtig.
Tatsache ist, dass die HF phänomenal anfällig für Überlernen ist.
Und hier stellt sich heraus, dass foreCA keine solche Tendenz hat. Es ist also ein sehr nützliches Paket.
Auch wenn man 10 Spalten mit zufälligen Werten zu den 4 Prädiktoren für die Iris hinzufügt, prognostiziert der Wald neue Daten mit fast 100 % Genauigkeit. Ich bin überrascht und freue mich, dass es dem Wald gut geht. Ich selbst habe ein solches Experiment noch nicht durchgeführt, werde es aber für die Zukunft im Hinterkopf behalten.
Ich habe alle Prädiktoren mit einer Vorhersagbarkeit von ~ 1 % als Rauschen bezeichnet (sowohl die Keulenlängen als auch die Prädiktoren aus Zufallswerten) und versucht, aus all dem ein Signal zu extrahieren. Ich denke, es ist sinnlos, Signale von Orten zu extrahieren, an denen es keine geben sollte, dieses Experiment sagt foreca nichts.
Wie sind Ihre Ergebnisse mit BP dort?
Das Modell befindet sich noch im Lernprozess. Ich habe wahrscheinlich zu viele Daten eingegeben, aber ich will es nicht abbrechen, sondern bis zum Ende arbeiten lassen. Wenn es vorbei ist, werde ich über die Ergebnisse schreiben.
Ich will sicher nicht zu weit vorgreifen, aber Reshetov hat in der neuen Version so eine coole Sache gemacht.... . Sie sollten ihn nicht kritisieren.....
Cooles Gespräch über cooles Zeug...
Und werden wir wenigstens einen Vergleich mit dem allgemein akzeptierten und allgemein bekannten und anerkannten sehen?
Cooles Gespräch über cooles Zeug...
Werden wir überhaupt einen Vergleich mit dem allgemein akzeptierten und allgemein bekannten und anerkannten sehen?
Obwohl der Wald neu trainiert wird, wenn wir weitere 10 Spalten mit Zufallswerten zu den 4 Iris-Prädiktoren hinzufügen, sagt der Wald die neuen Daten immer noch mit fast 100 % Genauigkeit voraus. Ich bin überrascht und freue mich, dass es dem Wald gut geht. Ich selbst habe ein solches Experiment noch nicht durchgeführt, aber ich werde es für die Zukunft im Hinterkopf behalten.
Ja, ich bin selbst überrascht, dass es so brillant Rauschen ignoriert und von Prädiktoren unterschieden hat, das habe ich auch noch nie gemacht, war selbst neugierig....
Deshalb hatte ich bis heute absolut kein Vertrauen in die Importense-Funktion
aber es hat mich dazu gebracht, es zu glauben.