トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 519

新しいコメント
 

で、どうなんだ？助っ人は？

 
ミハイル・マルキュカイツ

どんな話題？バディ...あなたは誰ですか？

なぜなら、あなたはここに来たばかりで、私のことを知らないかもしれないからです。私もなんだかんだでAI派なんですよね......。何を...この辺の出身なんですね。:-)

私は原則的に親切であり、ここで行うすべては、データが価格の理由である場合ONLY動作しますが。そうすれば、どんなTSでも、1小節先の予報でも、15小節先の予報でも（もちろん、15は1より悪いですが、重要ではありません）、問題なく動作します。そんなことより...要は...OIがあるRTS指数。ボリュームの意味として...。そして、問題はSOLVEDです。ANYTHING、予測でも分類でも。

そして、そのフレーズで何を言いたかったのか、あなた......。

今、言いたいのは、「くたばれ」ということだ。あなたは優しい人だ。ありがとうございます。
 

:D

 
君たちは燃えている！)))
 
ユーリイ・アサウレンコ
もう、くたばれと言いたい。親愛なる仲間よ。ありがとうございます。

その通り、前回も今回も何も言わず、まるで虚空に屁をこいたかのように......。あなたのような人に話しかけられても困ります。すみません...。

 
ウラジミール・ペレヴェンコ

逆説的だが、分類は回帰と同じである。

回帰の場合のみ出力が実数であり、分類の場合は確率である。

回帰目標は連続曲線、分類目標は(0,1)または(-1,+1)のインパルスである。

そして、この出力を適切なクラスに変換するのである（ifelse(y > 0.5, 1, 0)）．

1）クラスへの変換は、必ず途中までで行うのでしょうか？
2) 3つのクラス -1,0,1（買い、売り、待ち）がある場合はどうでしょう。0.5 (k=0; if(y<-0.5)k=-1; if(y>0.5)k=1; クラス間の中間点だが、クラス0の確率は1や-1の2倍になる) 経由か 0.33 (k=0; if(y<-0.33)k=-1; if(y>0.33)k=1; なので全てのクラスの確率は同じ) 経由でしょうか。
 

良い分類はこのように行われます。各クラスに個別の出力が割り当てられています。クロスエントロピー学習による損失関数を用いている。トレーニング中に割り当てられるクラスは1つだけです。無信号のクラスを設けることが必要である。例えば、買う、売る、何もしない。これらは別のクラスです。1つの出力にすべての値を与えてしまうと、1つのニューロンが例えば10個のクラスを分割することを学習しない可能性があるため、非効率的である。

 
ユーリイ・アサウレンコ

デリバティブは、トレンドの方向を示すものです。2つのMAの微分とその差は 、システムの状態を完全に記述します。 あなた自身がこのスレッドで質問しましたね）。

ただし、お好み次第です)。

2つのマッシュの微分とその差は4本の棒にのみ依存し、それらはどのような方法であれ、システムの状態をうまく表現することはできない

 
エリブラリウス
1）クラスへの移行は、必ず途中までで行うのですか？
2）そして、もし3クラスが-1,0,1（売り、待ち、買い）なら。0.5を介した転送（k=0;if(y<-0.5)k=-1; if(y>0.5)k=1; クラス間の中間、ただしクラス0の確率は1または-1の2倍になる）または0.33を介して（k=0; if(y<-0.33)k=-1; if(y>0.33)k=1; すべてのクラスの確率は同じ）転送する。

Rでは、通常、分類のための結果にばらつきが生じる可能性があります。

  • クラス値
  • クラスかくりつ

クラスの確率」モードを設定し、クラスを半分や30/70など独立して計算します。 あるいは、あるクラスは30%未満、別のクラスは70%以上、その差をNAとすることもできます。

 
エリブラリウス
1）クラスへの移行は、必ず途中までで行うのですか？
2）そして、もし3クラスが-1,0,1（売り、待ち、買い）なら。0.5を介した転送（k=0;if(y<-0.5)k=-1; if(y>0.5)k=1; しかしクラス0の確率は1または-1の2倍になる）または0.33を介して（k=0; if(y<-0.33)k=-1; if(y>0.33)k=1; したがってすべてのクラスの確率は同じ）ですか。

2クラスの話。連続的な分類器の出力は、閾値を用いてクラスラベルに変換することができる。

2つの結果が考えられます。

  • 閾値1つで全ての例を分類（ハード分類器）
  • 2つ以上の閾値がある場合，一部のサンプルは分類されない（ソフト分類器）．

一般に、分類器は連続した数値変数（支持度）を出力として持つ。与えられた入力Xに対するサポートの度合いは様々な方法で解釈することができる。最も一般的な2つの方法は、提案されたラベルの妥当性とクラスの可能な確率の推定である。クラス確率はモデルの出力が悪いので、通常はキャリブレーションが必要である。calibrate::CORElearnを参照してください。ソフトマックス活性化関数の後の出力は、クラス確率に最も近い。

グッドラック

1...512513514515516517518519520521522523524525526...3399
新しいコメント