Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3161
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
¿Recuerdas que _Vizard seguía extendiendo algunos puntos en sus vids y luego los borraba? )
https://github.com/abidlabs/contrastive
Luego está PLS. A primera vista, la idea es similar.
Luego está PLS. A primera vista, la idea es similar.
También están t-sne, umap, lle.... Y un montón de cosas más
Una cosa que no entiendo, ¿cuál es el punto de entusiasmo? El director del departamento de TI nunca ha hecho PCA ? )))
También hay t-sne, umap, lle.... Y un montón de otras cosas.
Una cosa que no entiendo, ¿a qué viene tanto entusiasmo? ¿El director del departamento de informática nunca ha hecho PCA? )))
Estos parecen ser no lineales, y los dos son lineales como PCA, si no me confundo.
Luego está PLS. A primera vista, la idea parece similar.
¿Se utiliza también un conjunto de datos adicional?
No, la formulación del problema es formalmente diferente y allí se utilizan etiquetas. La similitud me parece que está en la búsqueda de espacios sobre los que se hace la proyección. Creo que ambos enfoques se utilizan también en genética, donde la dimensionalidad de las características es enorme, mayor que el número de ejemplos.
No, la formulación del problema es formalmente diferente y en ella se utilizan etiquetas. La similitud me parece estar en la búsqueda de espacios sobre los que se hace la proyección. Creo que ambos enfoques se utilizan también en genética, donde la dimensionalidad de los rasgos es enorme, más que el número de ejemplos.
¿Utiliza también un conjunto de datos adicional?
Lo he mirado más detenidamente. Sí, la diferencia es más significativa, aunque no me equivoqué sobre la linealidad del método.
cPSA, supuestamente, puede ayudar a encontrar visualmente diferencias sutiles entre las fases del mercado. Convirtámonos en magos también)
Lo he mirado más de cerca. Sí, la diferencia es más significativa, aunque no me equivocaba en cuanto a la linealidad del método.
cPSA, supuestamente, puede ayudar a encontrar visualmente diferencias sutiles entre las fases del mercado. Convirtámonos en magos también)
Sí, cuando hay mucho ruido, los componentes con máxima varianza no pueden mostrar nada. No entendí cómo se involucra el segundo conjunto de datos, pero también es algo de kozul y había algo sobre tritment en sus videos.
Bueno, parece que el segundo conjunto de datos es necesario sólo para encontrar el contraste con el primero. Parece que de alguna manera las matrices de covarianza de ambos conjuntos de datos se comparan inteligentemente.
Esos parecen no ser lineales en todo su recorrido, y esos son lineales como el PCA si no me confundo.
Sí, son no lineales. ¿Pero es eso algo malo?
Probé este PCA de contraste, y obtuve más o menos el mismo resultado que el PCA.
Esta viñeta muestra una comparación de los diferentes tipos.
Muestra cómo el PCA parece "pálido" ante otros métodos, pero si los datos no sólo están normalizados sino también centrados (lo que he hecho por separado), entonces el PCA normal da el mismo resultado en los datos presentados ahí.