L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3041

Nouveau commentaire
 
mytarmailS #:
Cela vaut la peine de comparer.
Je l'ai juste regardé par curiosité

La comparaison n'est pas évidente. UpSample devrait conduire à un surentraînement dû à la duplication de données identiques, ce qui n'est pas immédiatement détectable.

 
СанСаныч Фоменко #:

La comparaison n'est pas évidente. Idéalement, l' upSample dû à la duplication de données identiques devrait conduire à un surentraînement, qui n'est pas immédiatement détectable.

Pourquoi pas ? Entraînez-vous, testez, validez et partez.

 
mytarmailS #:

Formez-vous, testez, validez et partez.

Dommage, j'ai changé l'avar.

 
СанСаныч Фоменко #:

Dommage, avar a changé

Pourquoi ?

 
Le militarisme s'invite aussi dans ce thème mignon et câlin
 
Maxim Dmitrievsky #:
Le militarisme s'est invité dans ce sujet mignon et câlin.

Alors, c'est un sniper qu'il a ?

 

J'essaie de linéariser l'espace, ou simplement de traduire un espace non linéaire en un espace plus linéaire. Je suis intéressé par l'algorithme HLLE.


https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction


semble assez intéressant. Il me semble que l'AMO sera plus facile à reconnaître un tel croquis que le prix tel qu'il est.

Quelqu'un peut-il me dire pourquoi il y a une telle distorsion des couleurs dans l'animation lorsque je la télécharge ici ?


Voici donc à quoi ressemble le prix transformé par l'algorithme.


qui veut s'amuser

p <- cumsum(rnorm(400,sd = 0.01))+100
p <- stats::embed(p,dimension = 20)[,20:1]
plot(p[,20],t="l",pch=20)

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)

pp <- emb@org.data[,20]
xx <- emb@data@data

par(mar=c(2,2,2,2), mfrow=c(1,2))
plot(pp,t="l",pch=20)
plot(xx,t="p",pch=20)

for(i in 1:nrow(xx)){
  Sys.sleep(0.05)

  plot(pp,t="l",pch=20)
  points(i,pp[i],col=2,lwd=6)
  plot(xx, t="p",lwd=2,pch=20)
  points(xx[i,1],xx[i,2],col=2,lwd=6)
}
Dossiers :
anigif.zip  6455 kb
 

L'apprentissage multiple présente les mêmes problèmes que l'ACP.

vous aurez du mal à ajuster des séries non stationnaires

 
Maxim Dmitrievsky #:

Je suis en train d'apprendre avec les mêmes problèmes que pca.

vous aurez du mal à ajuster des séries non stationnaires

Il n'y a rien à saisir, le modèle actuel est transformé dans une dimension différente et c'est tout.

 

a fait une plus belle image

p <- cumsum(rnorm(300,sd = 0.01))+100
n <- 10
p <- stats::embed(p,dimension = n)[,n:1]

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)
pp <- emb@org.data[,n]
xx <- emb@data@data


gg <- cbind.data.frame(time=1:length(pp),xx,pp)
library(patchwork)
library(ggplot2)
p1 <- ggplot(gg, aes(x =time, y = pp, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p2 <- ggplot(gg, aes(x = HLLE1, y = HLLE2, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p1 + p2 + plot_layout(nrow = 2)


1...303430353036303730383039304030413042304330443045304630473048...3399
Nouveau commentaire