Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1923
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
¿Soy yo o estás reduciendo la dimensión sin maestro? Me refiero a "uwot" (umap).
¿Soy yo o te estás reduciendo dimensionalmente sin un maestro? Me refiero a "uwot" (umap).
Sí, sólo que yo uso el paquete "umap".
Sí, sólo que estoy usando el paquete "umap".
Eso no tiene sentido. El objetivo de la conversión es reducir la dimensionalidad a un espacio que coincida con el espacio objetivo. Además, estos son los dos únicos paquetes que proporcionan la capacidad de manejar nuevos datos (válidos/prueba) y no sólo entrenar como tSNE.
Después de la transformación, cluster con dbscan. Los conglomerados obtenidos son como un predictor adicional para las variables a introducir. Puede haber algunas variaciones.
Buena suerte
Sí, sólo que uso el paquete "umap"
¿Cómo se llama el método en sí? ¿Qué es? Me gustaría verlo en python.
algún tipo de ameba y vida celular en las fotos.
El mago mostró transformaciones similares, por cierto. Tenía puntos que se estiraban y encogían en elipses, recuerdo algo así.
¿Cuál es el nombre del método en sí? ¿Qué es? En Python me gustaría ver
algo de la vida de las amebas y las células en imágenesEn Python el paquete umap tiene el mismo nombre.
En Python el paquete umap del mismo nombre.
Gracias, voy a echar un vistazo
Reduzca la dimensionalidad a un espacio que coincida con su objetivo: ese es el propósito de la transformación.
Bueno, ¿cómo lo haces, de dónde sacas esa coincidencia de objetivos y qué quieres decir con eso?
Además, son los dos únicos paquetes que ofrecen la posibilidad de procesar nuevos datos (válidos/prueba) y no sólo entrenar como tSNE.
Lo sé, por eso los elegí.
Después de la transformación de la agrupación con dbscan. Clusters obtenidos como predictor adicional a las variables a introducir. Aquí hay variantes posibles.
Lo sé)) Escribí sobre dbscan en la página anterior )
Pero con él, también, será una molestia, en primer lugar, con los grupos de todos la misma necesidad de jugar y en segundo lugar, es demasiado lento para reconocer nuevos datos.
He leído en alguna parte - si el paquete está previsto o en p-studio truco debe aparecer - que el grupo será seleccionable manualmente, directamente con el ratón, no se enteró?
Gracias, voy a echar un vistazo.
Sólo lo estoy utilizando, o más bien su envoltorio en R
Entonces, ¿cómo lo haces, de dónde sacas esa coincidencia de objetivos y qué quieres decir con eso?
Lo sé, por eso elegí este paquete.
Lo sé)) escribió en la página anterior sobre dbscan )
Pero con él, también, sería un engorro, primero, con los clusters todo igual, hay que jugar y segundo, es demasiado lento para reconocer los datos nuevos.
He leído en alguna parte - o el paquete está previsto hacer o en p-studio chip tuvo que aparecer - que el grupo será seleccionable manualmente directamente con el ratón, no se enteró de ello?
En orden:
Se fijan las constantes:
Para enseñar con un profesor sólo tenemos que añadir el objetivo y a la fórmula y especificar que necesitamos devolver un modelo (ret_model = TRUE).
Con el modelo en su lugar, podemos convertir el resto de los subconjuntos tren/prueba/prueba1 del grupo de datos de origen en tridimensionales también. A continuación se muestra el código
Sustituya su x/y y obtendrá datos tridimensionales divididos en dos grupos. Extraído de un artículo inacabado. Tengo algunas fotos en alguna parte pero no las encuentro ahora. Si los necesito, los buscaré mañana. Pero creo que puedes conseguir el tuyo.
Buena suerte
Encontrado