Interpolation, Approximation und Ähnliches (Paket alglib) - Seite 15
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
Alles, ich fand einen normalen Jungen, gut erklärt, erinnerte sich sofort an alles
Toll!!!
Ihr Problem mit der Transformation und der Abbildung auf den 2D-Raum ist also erst einmal gelöst?
Ich habe zwar das Russische nicht verstanden, aber ich habe die Formel einigermaßen verstanden. Es ist nur ein Spiel mit dem Kosinus und der Multiplikation und Division der Beträge der 2 Vektoren :))
Haben Sie den Code in MQL5 umgewandelt?
Referenzvektor-Methode
Kernel[edit | edit code]
Ein 1963 von Vladimir Vapnik und Alexei Chervonenkis vorgeschlagener Algorithmus zur Konstruktion einer optimalen Trennhyperebene ist ein linearer Klassifizierungsalgorithmus. 1992 schlugen Bernhard Boser, Isabelle Guillon und Vapnik jedoch eine Möglichkeit vor, einen nichtlinearen Klassifikator zu erstellen, der auf dem Übergang von Skalarprodukten zu beliebigen Kerneln basiert, dem so genannten Kernel-Trick (zuerst vorgeschlagen von M.Aizerman, Braverman und Rozonoer für die Potentialfunktionsmethode), die es ermöglicht, nichtlineare Separatoren zu konstruieren. Der sich daraus ergebende Algorithmus ist dem linearen Klassifizierungsalgorithmus sehr ähnlich, mit dem einzigen Unterschied, dass jedes Skalarprodukt in den obigen Formeln durch eine nichtlineare Kernfunktion (ein Skalarprodukt in einem Raum größerer Dimension) ersetzt wird. In diesem Raum kann bereits eine optimale Trennungshyperebene existieren.
Es scheint, dass Maxim Dmitrievsky Ziele verfolgt, die denen von Vapnik sehr ähnlich sind. Wir sollten uns an Wapnick orientieren, um eine Grundlage für die Wahl (und Auswahl) von Näherungsfunktionen zu finden.
Ich habe die englische Korrespondenz gelesen. Gerade noch so. Es stellt sich heraus, dass Wapnick, dessen Ideen mir sofort nach der Lektüre von TC #1 in den Sinn kamen, erstens noch lebt und zweitens eine Idee der empirischen (durchschnittlichen) Risikominimierung für neuronale Netze des maschinellen Lernens zu einer Methode der Stützvektoren entwickelt hat, deren nichtlineare Version in dieser Korrespondenz diskutiert wird. VIKI:
Referenzvektor-Methode
Kernel[edit | edit code]
Ein 1963 von Vladimir Vapnik und Alexei Chervonenkis vorgeschlagener Algorithmus zur Konstruktion einer optimalen Trennungshyperebene ist ein linearer Klassifizierungsalgorithmus. Im Jahr 1992 schlugen Bernhard Boser, Isabelle Guillon und Vapnik jedoch eine Möglichkeit vor, einen nichtlinearen Klassifikator zu erstellen, der auf dem Übergang von Skalarprodukten zu beliebigen Kerneln basiert, dem so genannten Kernel-Trick (zuerst vorgeschlagen von M.Aizerman, Braverman und Rozonoer für die Potentialfunktionsmethode), die es ermöglicht, nichtlineare Separatoren zu konstruieren. Der sich daraus ergebende Algorithmus ist dem linearen Klassifizierungsalgorithmus sehr ähnlich, mit dem einzigen Unterschied, dass jedes Skalarprodukt in den obigen Formeln durch eine nichtlineare Kernfunktion (ein Skalarprodukt in einem Raum größerer Dimension) ersetzt wird. In diesem Raum kann bereits eine optimale Trennungshyperebene existieren.
Maxim Dmitrievsky scheint sich ähnliche Ziele zu setzen wie Vapnik. Wir sollten uns an Wapnick orientieren, um eine Grundlage für die Auswahl (und die Auswahl) von uproximierenden Funktionen zu finden.
Ja, danke. Yandex-Konferenz mit einem russischen Wissenschaftler auf Englisch, eine Schande
Ja, ich danke Ihnen. Yandex-Konferenz mit russischen Wissenschaftlern auf Englisch, eine Schande
Er kam 1990, als er 54 Jahre alt war, in die USA. Kein Wunder, dass er englische Wörter mit russischen Lauten ausspricht. Ich sehe nichts Peinliches. Er spricht sehr deutlich, wie die meisten Menschen, für die Englisch nicht die erste Sprache ist. Denken Sie an die Aussprache des griechischen Demis Roussos, die für Lieder erstaunlich klar und deutlich ist.
Yandex ist ein russisches Unternehmen. Es ist eine Schande, dass sie ihre Akademiker und diejenigen, die von ihnen auf Russisch lernen wollen, ausschließen.
Sie haben sogar Beschreibungen ihrer eigenen Algorithmen für maschinelles Lernen, die alle auf Englisch sind.Hallo Maxim,
Sie sind also mit dem Code, in dem Sie vorher feststeckten, weitergekommen?
P = cvxopt.matrix (np.outer (y, y) * K) q = cvxopt.matrix (np.ones (n_samples) * - 1 ) A = cvxopt.matrix (y, ( 1 , n_samples)) b = cvxopt.matrix ( 0.0 )Hallo Maxim,
Sie sind also mit dem Code, in dem Sie vorher feststeckten, weitergekommen?
Wir können keine Kernel auf diese Weise verwenden, weil dieser Algorithmus nur mit inneren Produkten arbeitet, und ich weiß nicht, wie man Merkmale zurück in Vektoren abbildet
Wir können auf diese Weise keine Kernel verwenden, da dieser Algorithmus nur mit inneren Produkten arbeitet, und ich weiß nicht, wie man Merkmale wieder in Vektoren umwandelt.
Nun, genau das ist die Hauptfunktion der Kernel-Funktion.
Mit der Kernel-Funktion können wir jedoch keine Merkmale ein- und ausblenden. Das ist nicht die Aufgabe der Kernel-Funktion. Die Kernel-Funktion beschleunigt und vereinfacht den Klassifizierungsprozess, indem sie die Preispunkte auf höhere Dimensionen abbildet.
Am wichtigsten ist es, wenn Sie ein Merkmal, z. B. einen Kerzenschlusskurs, auf einen 3D-Raum abbilden wollen. Der Wert für den Kerzenschluss wird sich in 3D nicht ändern. Das ist ganz normal, auch wenn man es auf 2D zurückführt.
Dann kommt Spline für die Preisinterpolation ins Spiel, und ich nehme an, Sie kennen Spline bereits. Ich meine damit, dass wir Daten in Form von Splines einspeisen und die Klassifizierung durch Kernel durchführen lassen.
Wenn Sie nun die Merkmale abbilden möchten, geben Sie bitte genau an, was Sie in Bezug auf den Preis abbilden möchten. Ich meine damit, dass Sie versuchen, Kerzenschlusskurse, Kerzeneröffnungskurse und so weiter abzubilden.
Hallo Maxim,
Es tut mir leid, dass ich Sie wieder belästigt habe. Ich wollte nur kurz nachfragen, ob Sie noch an Ihrem RDF-Projekt arbeiten.
Ich versuche, Ihr aktuelles RDF Algo zu verbessern, sowie ich versuche, Python Reinforcement Algo mit MQL zu integrieren. Daher habe ich mir überlegt, einfach mit anderen Programmierern zusammenzuarbeiten, die daran interessiert sind.
Sie können mir mitteilen, ob Sie noch daran arbeiten und wie weit Sie bisher gekommen sind.
Ich habe einige interessante Ideen mit dem RDF zu implementieren, die ich mit Ihnen zusammen mit Quellcode von MQL5 teilen kann und ich bin noch die Brücke zwischen Mt5 und Python zu lernen.
Ich danke Ihnen ...
Hallo Maxim,
Es tut mir leid, dass ich Sie wieder belästigt habe. Ich wollte nur kurz nachfragen, ob Sie noch an Ihrem RDF-Projekt arbeiten.
Ich versuche, Ihr aktuelles RDF Algo zu verbessern, sowie ich versuche, Python Reinforcement Algo mit MQL zu integrieren. Daher habe ich mir überlegt, einfach mit anderen Programmierern zusammenzuarbeiten, die daran interessiert sind.
Sie können mir mitteilen, ob Sie noch daran arbeiten und wie weit Sie bisher gekommen sind.
Ich habe einige interessante Ideen mit dem RDF zu implementieren, die ich mit Ihnen zusammen mit Quellcode von MQL5 teilen kann und ich bin noch die Brücke zwischen Mt5 und Python zu lernen.
Ich danke Ihnen ...
Hallo, ja, ich probiere verschiedene Ideen aus, die hier teilweise diskutiert werden https://www.mql5.com/ru/forum/86386/page1056