Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2743
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
El ACP es sólo como una variante del análisis factorial para seleccionar características ortogonales, pero explica TODA la varianza, sin seleccionar los factores principales,
Hay PCA teniendo en cuenta el objetivo, se aislará componentes que caracterizan el objetivo, pero lo triste es que el objetivo es una variable subjetiva y que "flotará" tan pronto como el traine es over.... ¿y en qué se diferencia de la formación normal de profesores?
además de Maxim Dimitrievski .
a eso me refiero:
para hacer clasificación, no hay que hacerlo sólo en dir arriba/abajo, sino primero al menos hacer un análisis de conglomerados para determinar cuántas clases asignar formalmente (cómo llamarlas es cuestión de gusto subjetivo)...
y sólo entonces determinar funciones discriminantes en base a las cuales asignar las muestras a tal o cual clase.... entonces la clasificación será con un porcentaje normal de precisión - cuando sabemos que las clases en las que dividimos realmente existen...
PCA es sólo una variante del análisis factorial para seleccionar características ortogonales, pero explica TODA la varianza, sin seleccionar los factores principales,
porque los componentes principales son sólo los datos originales transformados en coeficientes eigenvectoriales ("loadings"), que cuando se multiplican por los datos originales dan pc_scores... (algo así - me acordé hace tiempo - hace mucho tiempo)... (algo así - hace tiempo que no recuerdo el algoritmo)
- pero al final PCA explica TODA la varianza, sin fs... En cambio, el análisis factorial principal utiliza "sólo la variación de la variable, común también a otras variables".... (no insisto en que este es el mejor fs -- pero hay matices en todas partes)
en general FS nadie puede hacer correctamente, y trata de culpar a la biblioteca...
PCA en combinacion con +/-3sq.cv. off -- puede ayudar a eliminar valores atípicos, pero esto es solo para distribuciones normales, ¡y aun tienes que probar que tu población gen. obedece la ley de distribución normal! - también estadísticamente... de lo contrario PCA mostrará "aceite en Repin" (y no viceversa)...
== Veo la forma estadísticamente adecuada de construir un modelo como sigue...
===
y la librería ya es la décima cosa (aunque los moderadores insulten sin entender de qué estamos hablando en DataScience normal - los perdedores siempre sueñan con un banquete y culpan a todo el mundo) -- mientras que los que realmente quieren entender, hace tiempo que se han dado cuenta de que lo que importa no es el lenguaje del programador, sino los algoritmos que hay detrás de ciertas entidades, implementados incluso en una librería ajena -- la esencia de las relaciones causa-efecto no cambia esto (el nombre de la librería).
p.d..
mientras los moderadores están en el banquete(, otros están trabajando - deberías tomar ejemplo de ellos - no difundas desinformación.
.
dicho por quien? por un imbecil que no puede encadenar tres palabras sin romper la logica )) ahaha, es serio....
¿por quién? por un imbécil que no puede encadenar tres palabras para mantener la lógica intacta )) jajaja, eso es grave....
no entiendes los turnos de palabra, no entiendes cuando se escribe para abreviar, no entiendes las definiciones, eso no es nada.
te estás pasando de listo en el off-topic. Eso es propio de un universitario.
Nadie te acusa de eso, las personas somos diferentes. Eso sí, no te metas donde te den un roble, no te metas :Dno entiendes los patrones del habla
genio)) escribimos cualquier chorrada, y si alguien que piensa te toca las narices, le dices - no entiendes el habla , ptushnik.
¿Qué tienes en contra de los ptushniks? ¿No son personas? ¿O tu ex es de allí?
...
Escribir en ruso, es imposible de leer. Y con las muestras es hasta gracioso. La mayoría de sus mensajes por lo general no leo en absoluto debido a esto.
Para resumir la teoría de Sanych (ya que él mismo no la formalizó adecuadamente ni dio ejemplos):
Después de las explicaciones de Sanych, al final dejé de entender un poco lo que significan los predictores significativos. Según su explicación, se dan con frecuencia y su magnitud está correlacionada con el resultado. Pero aparentemente son signos generales de la serie, a lo largo de todo el periodo de entrenamiento. No consigo que coincidan con el modelo de la serie. Resulta que son predictores que funcionan siempre, aunque bastante simplificados, o la mayoría de las veces. En general, está claro que utilizar los ajustes que funcionan más a menudo dará un resultado más positivo que utilizar los ajustes que funcionan sólo en un segmento determinado....
No consigo hacerme una idea de lo que se busca en última instancia y por qué.
genio)) escribimos cualquier tontería, y si alguien que piensa te da en la nariz, le dices - usted no entiende los patrones del habla, ptuschestvo.
¿Qué tienes en contra de los ptushniks? ¿No son personas? ¿O tu ex es de allí?
genio)) escribimos cualquier tontería, y si alguien que piensa te da en la nariz, le dices - usted no entiende los patrones del habla, ptuschestvo.
¿Qué tienes en contra de ptushniks? ¿No son personas? ¿O su ex es de allí?
no entiendes giros del discurso, no entiendes cuando se escribe para abreviar, no entiendes definiciones, es decir nada
te dedicas a hablar fuera de tema. Ese es el sello distintivo de un ptuschnik.
Nadie te acusa de eso, las personas somos diferentes. Simplemente no te metas donde no te llaman tonto, no te metas :DDéjame ser un ptushnik, échame la culpa de todo, y te calmarás y más sobre el asunto como sería mejor, con argumentos y si con bromas, pues sin burlas infantiles)))).
Después de las explicaciones de Sanych, al final dejé de entender un poco lo que significan los predictores significativos. Según su explicación, se dan con frecuencia y su magnitud está correlacionada con el resultado. Pero aparentemente son signos generales de la serie, a lo largo de todo el periodo de entrenamiento. No consigo encontrar su correspondencia en el modelo de la serie. Resulta que se trata de predictores que funcionan siempre, aunque bastante simplificados, o la mayoría de las veces. En general, está claro que utilizar los ajustes que funcionan más a menudo dará un resultado más positivo que utilizar los ajustes que funcionan sólo en un determinado segmento...
Como no se forma una imagen, lo que al final se busca, y por qué.