L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 495
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
C'est bon, le résultat est nul, vous avez de la chance que dans un si petit échantillon le résultat ne soit pas statistiquement biaisé. Et vous n'avez même pas besoin de regarder l'équité sur le backgammon, il peut être facilement fait comme un exposant sans variations.
Qu'est-ce qui vous guide alors dans le choix d'un coup de pied arrêté pour un attaquant ?
Hélas, ils ont tort et c'est normal, pas seulement pour les "ignorants" et les snobs, souvenez-vous de Minsky et de son avis autorisé concernant la "futilité" des perseptrons multicouches))).
Je ne parle même pas des articles sur les hubs, c'est comme les ordures sur les forums, 99,9% de publicité, de sci-fi pop et d'ordures explicites, 0,1% d'idées intelligentes sous forme implicite "entre les lignes".Personnellement, je suis partisan de la nécessité de comprendre le fonctionnement de l'algorithme, de le faire moi-même et d'utiliser les bibliothèques du net pour la collation.
Et dans le réseau, on trouve surtout des reposted alone, etc., beaucoup de vidéos, mais peu d'exemples de mise en œuvre concrète dans le code ou dans le code, mais dans un langage de programmation peu familier.
Tout le monde est un perdant sauf la FA.
que seuls les FAs ont appris.
;))
Je vois que je ne vous laisse pas respirer facilement... Respirez et calmez-vous.
Qu'est-ce que tout cela a à voir avec l'extrapolation...
ceux qui ont écrit RF dans la bibliothèque alglib sont aussi des gens sans éducation ?
et les blogueurs sont également désemparés à ce qu'il semble.
https://www.r-bloggers.com/extrapolation-is-tough-for-trees/
Lorsque nous nous référons aux personnes en autorité, cela signifie que nous avons confiance dans le résultat. Nous ne pouvons le faire qu'avec des personnes très réputées qui publient leurs résultats dans de bonnes revues avec des éditeurs qualifiés.
Qu'est-ce que tu veux dire ? A propos du blog ? S'agit-il d'une autorité ?
Votre lien est une référence classique à ceux que je qualifie d'ignorants.
L'auteur prend la régression linéaire, un modèle d'application extrêmement limité, et y développe des arguments.
Pour la régression linéaire, les propriétés des données d'entrée sont extrêmement importantes, et il est très important de justifier que les résultats peuvent être fiables. Où cela figure-t-il dans l'article ?
Il s'agit des bases de la statistique, qui s'appliquent à tout modèle.
Il est très succinctement formulé comme un axiome de la statistique (et de toutes les mathématiques, d'ailleurs) : Litter ON INPUT - Litter OUTPUT.
Celui qui ne le sait pas ou ne l'applique pas dans la pratique fait partie, à mon avis, des rustres denses, qu'il connaisse ou non le mot Parseptron.
Lorsque nous nous référons aux personnes en autorité, cela signifie que nous avons confiance dans le résultat. Vous ne pouvez le faire qu'avec des personnes très réputées qui publient leurs résultats dans de bonnes revues avec des éditeurs qualifiés.
Qu'est-ce que tu veux dire ? A propos du blog ? S'agit-il d'une autorité ?
Votre lien est une référence classique à ceux que je qualifie d'ignorants.
L'auteur prend la régression linéaire, un modèle d'application extrêmement limité, et y développe des arguments.
Pour la régression linéaire, les propriétés des données d'entrée sont extrêmement importantes, et il est très important de justifier que les résultats peuvent être fiables. Où cela figure-t-il dans l'article ?
Il s'agit des bases de la statistique, qui s'appliquent à tout modèle.
Il est très succinctement formulé comme un axiome de la statistique (et de toutes les mathématiques, d'ailleurs) : Litter ON INPUT - Litter OUTPUT.
Une personne qui ne sait pas cela, ou qui ne l'applique pas dans la pratique, fait partie, à mon avis, des rustres denses, qu'elle connaisse ou non le mot perseptron.
Bon sang, vous avez tous bu ?
La forêt sait-elle extrapoler ? Oui.
Le fait-il bien ? Non.
La forêt peut-elle extrapoler ? Oui.
Le fait-il bien ? Non.
Le RF ne peut ABSOLUMENT pas extrapoler, ceci est dû à la structure de l'arbre de décision comme indiqué dans l'article ci-dessus.
RF ne sait ABSOLUMENT pas faire d'approximation, ceci est dû à la structure de l'arbre de décision comme indiqué dans l'article ci-dessus.
Merde !
L'extrapolation et l'approximation sont ABSOLUMENT différentes.
Tu n'es pas du tout sobre ?
Merde !
L'extrapolation et l'approximation sont ABSOLUMENT différentes.
Tu n'es pas du tout sobre ?
Oui, j'ai accidentellement mélangé les mots, parce que je lisais sur l'approximation à ce moment-là.
Voici un exemple intéressant, je l'ai déjà posté dans ce fil une fois.
Dans ce cas, l'extrapolation serait une prédiction en dehors du "nuage de points connus".
Si les points connus sont bien groupés, on peut voir que l'extrapolation ne pose pas de problème pour la plupart des modèles.
Mais si les points connus étaient disposés de manière plus aléatoire, sans grappes évidentes, alors la prédiction elle-même serait moins bonne et l'extrapolation ne serait pas crédible.
Tout est une question de prédicteurs, si vous mettez des déchets dans le modèle, vous ne pouvez pas vraiment extrapoler.
Pour le forex, il est peu probable de trouver des prédicteurs idéaux, je ne ferais jamais de trading par extrapolation sur des données financières.