Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3029
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
Hubo un código hace un tiempo de catbusta.
Échale un vistazo y verás lo que pasa.
Había un código hace un tiempo de catbusta.
Es complicado. Ordena la columna y la divide en 32 partes, por ejemplo, si hay duplicados, entonces se tiran todos al cuanto. Si la columna sólo tiene 0 y 1, entonces habrá 2 cuantos, no 32 (porque duplicados).¿cómo va el impulso y la maximización de beneficios?
No hubo suerte hasta ahora, especialmente para bousting) Necesita suavidad, por lo que hay gradiente y hessian. Beneficio no será así, por lo que necesita para pensar cómo suavizarlo.
La variante local del árbol único, sobre la que escribí aquí hace poco, me basta por ahora.
En el contexto que menciono: una evaluación por partes de un intervalo de datos para identificar un trozo (segmento cuántico) cuya probabilidad de pertenecer a una de las clases sea un x% mayor que la media de todo el intervalo.
En esencia, resulta que se construye un árbol por separado en cada predictor.
No hay manera hasta ahora, especialmente para bousting) Usted necesita suavidad allí, por lo que necesita gradiente y hessian. El beneficio no será así, así que tenemos que pensar cómo suavizarlo.
La variante local del árbol único, sobre la que escribí aquí hace poco, me basta por ahora.
¿Has visto el vídeo? ¿El que te di el enlace?
El hombre allí estaba hablando de cómo convertir un árbol no liso en uno liso a través de RL.
La sabiduría popular dice que los árboles no dejan ver el bosque. Me pregunto si se puede ver un árbol cogiendo hojas. No pregunto por el bosque.
¿Es este el único algoritmo que conoces? ¿O es el más eficiente? ¿Por qué estás obsesionado con él?
Es un pensamiento pasajero.
Buena suerte.
La pregunta es bastante pertinente. Para mí, la respuesta es más o menos que si los predictores son homogéneos (por ejemplo, los píxeles de una imagen o las últimas N velas), entonces la forma de las clases puede ser arbitraria, por lo que las reglas no son muy apropiadas. Si los predictores son heterogéneos (por ejemplo, el precio y el tiempo), entonces es más probable que las clases tengan una forma rectangular dada por las reglas.
Por supuesto, esto no tiene una justificación clara, sólo es una hipótesis.
¿Has visto el vídeo? ¿El que he enlazado?
Allí el hombre estaba hablando acerca de cómo convertir no suave a suave a través de RL
Son matemáticas diferentes, creo. No puedo explicarlo bien porque ni yo mismo lo entiendo del todo. En bousting es gradiente por función, pero en el vídeo es gradiente habitual por pesos de red.
¿Rango de datos o rango de valores de la ficha?
El rango de valores del predictor que describe los datos.
Prácticamente he descrito el algoritmoaquí - hay una imagen con RSI.
Es una descripción complicada. Ordenar la columna y dividirla en 32 partes, por ejemplo, si hay duplicados, entonces todos ellos se tiran en el quantum. Si la columna sólo tiene 0 y 1, entonces habrá 2 cuantos, no 32 (porque duplicados).
Tú te refieres al método y yo al objetivo. Los métodos pueden ser diferentes. Los métodos empíricos suelen ser mejores que los matemáticos. Quizá porque no tenemos datos completos sobre la muestra general.
En esencia, resulta que se construye un árbol con cada predictor por separado.
Sí, así es como se construyen los árboles C4.5 para valores discretos. Una división.