В статье анализируется применение формулы Байеса для повышения надежности торговых систем за счет использования сигналов нескольких независимых индикаторов. Теоретические расчеты проверяются с помощью простого универсального эксперта, настраиваемого для работы с произвольными индикаторами.
Главная|Решения онлайн |Теория | Основные формулы и обозначения |Обратная связь | Корреллированность и зависимость случайных величин Две случайные величины X и У называют коррелированными, если их корреляционный момент (или, что то же, коэффициент корреляции) отличен от нуля; X и У называют некоррелированными величинами, если их...
レシェトフ氏のRNNの仕組みについて説明した記事からの抜粋。
"ニューラルネットワークのオーバートレーニングの問題を詳細に論じ、その原因を特定し、問題解決の方法を提案するものである。
1.ニューラルネットワークはなぜ再トレーニングされるのか？
ニューラルネットワークの再トレーニングを行う理由は何でしょうか？実はいくつか理由があるのかもしれません。- サンプル外問題を解決するためには、学習サンプルの例数が十分ではありません。
- 入力データは、異なるサンプルの出力データとの相関の度合いによって不平等に分布しており、これは非定常データを処理する際に非常によく見られることである。例えば、学習用サンプルでは、出力値に対する任意の入力パラメータまたは複数の入力パラメータの相関が、テスト用サンプルに比べて著しく高い、あるいは、悪いことに、異なるサンプルの相関係数が符号で異なっていることがあります。これは、ニューラルネットワークを学習させる前に、異なるサンプルで全てのパラメータの相関係数を計算することで簡単に確認することができます。そして、この欠点を解消するのも非常に簡単で、学習例をランダムにサンプルに分散させるのです。
- 入力パラメータは出力パラメータと関係がない、つまり因果関係がない、つまり代表性がないため、ニューラルネットワークを学習させるものがないのです。ま た、入力データと出力データの相関をチェックすると、相関がゼロに近いことがわかります。 この場合、ニューラルネットワークを学習させるために、他の入力データを探す必要があります。
- 入力データは互いに高い相関を持っています。この場合、出力データとの相関が最大となる入力データを残し、残りのデータと相関が高い他のデータを削除する必要があります。
上記のオーバートレーニングの理由とその解消法は、いずれもニューラルネットワーク技術に関する様々な文献や論文に従来から記載されているものであり、一般的な知識である。"ただ、完全な意味でのニューラルネットワークではなく、分類器です）そのため、再学習ではなく、オプティマイザでパラメータを調整します。オプティマイザにニューラルネットワークを使うことも可能です。層の数や特徴の周期、数などを変えれば、より良いものになるでしょう。
詳しくはこちら、フレームワーク全体もあります https://www.mql5.com/ru/articles/3264
Bendat J., Pearsol A.
応用ランダムデータ解析:翻訳：ワールド、1989年
で。126
例 5.4.無相関の従属確率変数。
2つの確率変数XとYは、その相関運動量（または相関係数、同じ意味）が0と異なる場合、相関があると呼ば れ、XとYは、その相関運動量が0である場合、相関がないと呼ば れます。
また、相関のある2つの量も依存関係にある。実 際、そうでないと仮定すると、µxy=0と結論づけなければ ならず、これは以下の条件と矛盾 する。
を相関量μxy≠0と する。
逆の仮定は常に正しいとは限らない。すなわち、2つの変数が従属的である場合、それらは相関的であることもあれば、無相関であることもある。つまり、2つの従属変数の相関モメンタムはゼロに等しくない場合もあるが、ゼロに等しい場合もある。
このように、2つの確率変数の相関は、それらが依存関係にあることを意味するが、相関は必ずしも相関を意味 しない。2つの変数の独立性は、それらが無相関であることを意味するが、無相関から独立性を推論することはまだできない。
http://www.uchimatchast.ru/teory/stat/korell_zavis.php
1.誰も相関関係を分析していない-予測因子の選択についてである。
2.あなたは、3ページ前に私が指摘した「依存は相関の特殊なケース である」を繰り返しました。 2つの変数が依存関係にあるのなら、間違いなく相関がある。相 関性があれば、必ずしも依存性があるわけではないのです。"
3.クロスエントロピーは相関と同様、関数依存性の有無では答えが得られない。
そこが私の間違いでしたね、認めます。
確率変数が独立なら相関もないが、無相関から独立を推論することはできない。
2つの変数が依存関係にある場合、それらは相関していることもあれば、相関していないこともある。
ただ、完全な意味でのニューラルネットワークではなく、分類器です）そのため、再トレーニングは行わず、オプティマイザーでパラメータを調整することになります。オプティマイザにニューラルネットワークを使うことも可能です。層の数や特徴の周期、数などを変えれば、より良いものになるでしょう。
詳しくはこちら、フレームワーク全体もあります https://www.mql5.com/ru/articles/3264
上記の引用文は、まさに完全な意味でのニューラルネットワークを指しており、彼がRNNで解決しようとしている問題は、以下のようなものです。
そう、そしてそれらは、可能な限りのパラメータを列挙し、フォワードと比較することで簡単に解決できるのです。彼のRNNは同じように再トレーニングされ、バックテストとフォワードを比較して、最適な安定パラメータを選択するだけです。全てはNSの場合と全く同じですが、NSの場合、オプティマイザで重みではなく、入出力を選択する必要があります。
2つの数量が依存関係にある場合、相関がある場合とない場合がある。
それ以外はすべてオルタナティヴ、人道主義です。
ついに手に入れたか)))また、「非線形回帰のための相関」と「非線形相関」を混同しないでください、相関です。
それ以外はすべて代替品、人海戦術です。
またもや、四十五歳...。
あなたはなんて変な人なんでしょう。あなたの投稿の2つ上の白黒の記事には、相関の有無は全く相関があることを意味しない、また相関は誰かに何かを「与える」ものであると書いてあります。
手持ちが少なくなってきた...。
またまたー、四十倍...。
あなたは何とも不思議な人ですね。あなたの投稿の2つ上の白黒の記事には、相関の有無は全く意味がなく、また相関は誰かに何かを「与える」ものだと書いてあります。
ちょっと手持ち無沙汰になってきた...。
と主張されましたね。
すべてのMOは、入力変数が なければならない は、出力変数と相関が ある。
そうでなければ、ALL MOモデルの意味がありません。
データマイニングでは、ALL MODELS VARIABLE VARIABLE SELECTION MODELS において、入力変数と出力変数の相関が最大になるような仕組みを実装している。
だから、大失敗して恥をかいたんだ。
SZZ「相関の有無は、相関を全く意味しない」←またまたナンセンス。相関はまさに直線的な信頼性の存在を示すものですが、相関が示さない非直線的なものも存在します。
と述べていますね。
つまり、失敗した、恥をかいたということだ。
ZS「相関の有無は依存性を全く意味しない」→またまたナンセンス。相関はまさに直線的な依存関係を示すものですが、相関が示さない非直線的なものがあります。
誰かが誰かを科学的に転がすと楽しいんです :))
ZS「相関の有無は依存性を全く意味しない」→またまたナンセンス。相関は直線的な依存性を示しますが、相関が示さない非直線的なものがあります。
アメリカのプールで溺れる人の数は、ニコラス・ケイジ主演の映画の数と直接かつ強く相関しているという、誤った相関関係の典型的な例がある。
相関関係がある - グレートな相関関係はどこにあるのか？