In our previous note we demonstrated Y-Aware PCA and other y-aware approaches to dimensionality reduction in a predictive modeling context, specifically Principal Components Regression (PCR). For our examples, we selected the appropriate number of principal components by eye. In this note, we will look at ways to select the appropriate number...
森が過剰に学習しがちな微妙なところがあるのです。有用な予測因子と一緒にゴミを森に与えても、森はそれを論理に追加してくれる。そして、"rubbish in leads to rubbish out "の法則により、"rubbish in fronttest "のデータに基づくモデルの予測はランダムで無駄なものになる。予測変数の選択には常にこの点を考慮し、モデルをテストするためにクロスバリデーションを行う必要があります。
こんにちは。
2つの質問があります。
1）前のページからリカレントネットワークに関して、私はパッケージ "rnn "を投げたそれは本当に奇妙なと不思議を一種で、 "RSNNS "に切り替えネットワーク "エルマン "を取ったデータはすべて働いた投げました。各変数が数値の入った行列に変換されることがすぐにわかった「rnn」で、「ネットワークが過去の自分をどこまで記憶しているか」をどこでどのように設定するのかがわからないのです。はネットワークのメモリサイズに対応するもので、"RSNNS " にはそのようなパラメータはありませんでしたが、リカレントネットワークの本質はまさにそこに あるので、ないはずはないのです。
2)"rminer"にはどのようなものがあるのでしょうか？有馬」のような意味なら、うまくいきません。
私は数ステップの予測を行うために、このような分類器のターゲットを書いてみましたが、私は失敗しました、結果は奇妙でした、まず第一に品質が低下し（予測が5番目または10番目のローソクにないため、それは正常です）、反相関はあまり顕著ではないがまだ存在していたが、私は予想が得られなかったというトリックです。インジケーターの反転は、市場の反転と同じで、より質の悪いものを手に入れたような気がするが、なぜそうなったのか理解できない。..
ごきげんよう。
1.ElmanネットワークはJordanネットワークと同様、直前のステップしか記憶していない。これまでの多くのステップを考慮すると、RNNを連鎖させる必要があり、これがいわゆるLSTMと呼ばれるものです。この記事は、そのようなネットワークについて非常に分かりやすく説明しています。残念ながら、これらはPythonで実装されています。でも、それはそれで問題ないのでは？PythonとRは完全に統合されています。
2.Rminerは lforecast 関数を持っています- 1-ahead予測を入力として反復して多段階の予測を実行 します。多段階予測といえば、もちろん回帰のことでしょうか？
グッドラック
結論：それぞれの属性を取り上げ、そこから有用なものを抽出することが必要である。 その方法について、私はいくつか考えているが、その前に、このテーマについて皆さんの考え、アイデア、提案をお聞かせいただきたい
過去のデータを使って初めて、特徴から何かを抽出することができます。新しいバーが入ってきたとき、サインは何かを予測しなければならず、予測するためには予測能力が必要である。予測能力とは、ある形質のある値があるクラスを予測し、ある形質のある値が別のクラスを予測するとき、その形質が持つある種の効力を指す。そのような予測能力の一例をすでに紹介した。ターゲット"men/women "です。特性：「衣」。もし、この属性がパンツとスカートの2つの値しか持たないとしたら、イスラム社会ではこのような値を持つ属性は階級を明確に予言することになる。しかし、非ムスリム社会では、膨大な数の宗派に加え、ユニセックスな服装があるのです。
そこで、男性／女性クラスの2つの値を持つ対象変数に対する服装属性の予測能力を求める問題は、服装属性の値の何パーセントが男性を一意に予測し、何パーセントが女性を予測するか、というように定式化される。もし、それが西洋社会で、すべての服がユニセックスであれば、「服」という属性は予測力を持たないことになる。イスラム社会では、服装の特性は非常に良い予測能力を持つだろう。年齢を導入して例をよりリアルにすれば......もっとリアルな予測能力を得ることができるはずです。具体的になり、その予測能力が予測誤差を決定することになる。
つまり、予測器の予測能力から予測誤差が生じ、選択したモデルが目の前の問題にマッチしていれば、その誤差はモデルの選択にほとんど依存しないのです。
アイデアや提案から
このスレッドやこのフォーラムで何度も表明してきたことです。最大の難点は、私が指摘した「予測力」がまだ理解されていないことです。
ツールのうち、私は記事への リンクを渡し、Dr.Traderは 適用を試みたが、失敗した。私は、この結果が否定的なのは、その特徴セットの特異性、つまり価値の低い特徴を多く持っているからだと考えています。それは、FXに特化した機能です。FXでは、どんな属性も数千の値を持つことがありますが、彼の場合は数十の値を持つことがあります。
このスレッドやこのフォーラムで何度も表明してきたことです。最大の難点は、「予測能力」に対する私の視点がまだ理解されていないことです。
この指摘は、あなた側のテストにもテスト結果にも 裏付けされていないからでは？:)
一般的には、なぜこれらのキロメートル長い啓発は、質問は、形質を選択する方法ではなく、属性のうち有用な取得する方法だった、これらは別のものであり、ここで一般的に配置する記事への参照...
この指摘は、あなた側のテストにもテスト結果にも 裏打ちされていないからでは？:)
一般的には、なぜこれらのキロメートル長い啓発は、質問は形質を選択する方法ではなく、それらの有用な形質を取得する方法だった、これらは別のものであり、ここで記事へのあなたの参照は、一般的に誰にもフィットしない...
キロの百科事典を書かなければならないのです。簡単に言うと、特性は全体であり、そこから取り出せるものは何もない、ということです。全体の特徴が合うか合わないかを判断することができます。
PS.
私は、予測力のある形質をカスタムセレクションしています。私のアルゴリズムで選択した形質を用いると、再トレーニングなしでモデルを得ることができます。
キロメートルのリブレットを書かなければならないのです。一言で言えば、「特性は全体であり、そこから取り出せるものはない」ということです。全体の特徴が合うか合わないかを判断することができます。
PS.
予測力のある機能をカスタムセレクトしています。私のアルゴリズムで選択した特徴量を使えば、再トレーニングなしでモデルを得ることができます。
わあ、かっこいい...。...訓練を受けていないモデルの具体的な結果を教えてください。それとも、この話題も「動いているようだ」「稼いで いるようだ」というロボットと同じように「飛ばされて」しまうのでしょうか？
そして、Sanychさん、もうやめてくれませんかね！？
もうずっと前から全部わかっていたんですけどね...。
これは、あなたを読んだ他の参加者が、どこにも行かないように時間を過ごすこととの関係で、良いことではありません。
わあ、かっこいい...。具体的な結果を教えてください。それとも、ロボットの時みたいに、ずっと言い続けるつもりですか？
そして、Sanychさん、もうやめてくれませんかね！？
もうずっと前から全部わかっていたんですけどね...。
これは、他のプレイヤーに読まれて、どこにも行けない道を過ごすという関係では、控えめに言っても良くないことです。
レベル」と「RSI」という2つの指標しか持っていないプロのトレーダー（まだ誇張して いることを忘れないでください）がどのように働いているのか考えてみましょう。そして、売りトレードは、レベルを上に突破して、RSIが0.9より大きければ売り、というようなトレードシステムもあります...。
トレーディングシステムとは何ですか？ このケースでは、トレーディングシステムは、データフィルタ、トレーダーがノイズで入力させないフィルタとして機能し、RSIとこの例ではノイズの割合は冗談ではない95％である - 1から1までのRSI範囲、およびトレーダーだけその> 0.9 それらの5％を必要とするため...
十数種類のラグを持つ十数種類の指標を取り出せばうまくいくだろう。しかし、どの指標をどのようなラグで使うかは、決めておく必要があります。まず、大きなセットを作って、その中からいくつかのルールで選択し、この100個の最終的な予測変数の合計が、未来を予測する本当のチャンスを与えてくれます。ランダムフォレストモデルにデータを与え、決定木を構築する。例えば、rsi[20] > 0.4, ma(16)[20] > 1.2, など - ならば、買いです。そして、rsi < 0.1 ならば売りです。森の様子の一例はこちらでご覧いただけますhttp://www.intuit.ru/studies/courses/6/6/lecture/174 . 一般に、フォレストでは、数十の指標について、有用な値と閾値を持つ属性が得られます。
森が過剰に学習しがちな微妙なところがあるのです。有用な予測因子と一緒にゴミを森に与えても、森はそれを論理に追加してくれる。そして、"rubbish in leads to rubbish out "の法則により、"rubbish in fronttest "のデータに基づくモデルの予測はランダムで無駄なものになる。予測変数の選択には常にこの点を考慮し、モデルをテストするためにクロスバリデーションを行う必要があります。
あなたの記事を読んだ他のメンバーが、どこにも行かない道を歩いて時間を浪費するのは、はっきり言って迷惑です。
今までSanSanychがここで書いてきたことに全く同意します、聞くことをお勧めします。彼から多くのことを学び、それをチェックし、メモをした。