Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2313
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
En teoría, sí.
Pero aún así, ¿qué sentido tiene la acción?
No se puede discutir eso, no tiene sentido...
Tenemos que conseguir 10 de 100. ¿Hay alguna solución?
No sé cómo funciona en alglib, prueba a sacar información de la función psa y mira cuántos componentes necesitas para obtener lo suficiente para describir 100 premios.
O simplemente tomar las primeras n columnas de la psa y aplastar...
Pero todo esto es inútil... si tienes 50k características, necesitas Rsa, pero si quieres jugar sin entender lo que haces, no necesitas Rsa en absoluto, el resultado será peor que sin Rsa con un 99,999...% de probabilidad...
En teoría, sí.
Pero aún así, ¿qué sentido tiene la acción? Si no hay una ganancia de velocidad, sino una ralentización, para una operación extra.
Es necesario obtener 10 de 100. ¿Hay alguna solución?
Tomar los 10 primeros componentes de la matriz cov.
tomar los 10 primeros componentes de la matriz
La matriz no funcionará - es 100x100.
No necesitamos 10x10 o 10x100, necesitamos obtener 10x1000 según algunos cálculos. Es decir, para cada una de las 1000 filas de la matriz necesito 10 GCs.
La matriz no funcionará - es 100x100.
No necesitamos 10x10 o 10x100, necesitamos 10x1000 según algunos cálculos. Es decir, para cada una de las 1000 filas aplicar 10 GC
Si no recuerdo mal, cada punto componente es una suma de productos de valores de atributos por sus covalores.
haz las cuentas y compáralo con sklearn.
La matriz puede resultar invertida, entonces desde el final. Esto tiene que ser comprobado adicionalmente allí.
cada punto componente es la suma de los productos de los valores de las características por sus valores de cov., por lo que recuerdo
Haz la cuenta y compárala con sklearn.
La matriz puede ser invertida, entonces desde el final. Debería comprobarlo adicionalmente allí
En general, se necesitan ciclos como los anteriores.
s (bestfeatures)es sólo el número de componentes que se seleccionan para el entrenamiento.
El valor de cada componente se multiplica por el valor de cada atributo y luego se suman. Y así para cada fila de entrada.
Tengo que recordar que no tengo tiempo. Tengo que leer la documentación.
allí s (bestfeatures) es sólo el número de componentes que se seleccionan para el entrenamiento, una especie de
el valor de cada componente se multiplica por el valor del atributo y se suman. Y así para cada fila de la serie inicial.
Tengo que recordar que no tengo tiempo. Tengo que leer la documentación.
Todo está bien ahora.
Decidí ver lo que hay dentro de la red, en cada capa... Reduje la dimensionalidad mediante umap a dos componentes en cada capa
Una red con tres capas internas, casi sin entrenar, sólo 400 ejemplos... pero aún así es divertido de ver...
Decidí ver lo que hay dentro de la red, en cada capa... Reduje la dimensionalidad mediante umap a dos componentes en cada capa
Una red con tres capas internas, casi sin entrenar, sólo 400 ejemplos... pero aún así es divertido de ver...
¿Cómo lo has conseguido?
¿Cuál es la dimensión de salida?
Ludwig tiene modelos de aprendizaje profundo sin necesidad de escribir código, no se requieren conocimientos de programación para enseñar el modelo:https://ludwig-ai.github.io/ludwig-docs/
Lo he instalado recientemente. Todavía no he podido comprobarlo. Prometen milagros.