Forecastable component analysis (ForeCA) is a novel dimension reduction (DR) technique to find optimally forecastable signals from multivariate time series (published at JMLR). ForeCA works similar to PCA or ICA, but instead of finding high-variance or statistically independent components, it finds forecastable linear combinations. ForeCA is...
予測可能なBPとそうでないBPを選択するパッケージ、私の理解が正しければ
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
そして、すべての来訪者。z1アーカイブの中にはtrainとtestの2つのファイルがあります。Targetの場合、trainでモデルを構築し、testに適用し、結果を%(予測成功率)で投稿する。
の場合）、両サンプルとも（train = xx%, test = xx%)。手法や機種は発表する必要はなく、数字だけでいい。あ らゆるデータ操作が可能
と採掘方法について説明します。
1.すべての予測因子には予測力がない - 例外なくすべてがノイズである
2.rf、ada、SVMの3つのモデルが構築された。以下はその結果です。
アールエフ
コール
randomForest(formula = TFC_Target ~ ,
data = crs$dataset[crs$sample, c(crs$input, crs$target)],
ntree = 500, mtry = 3, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)
ランダムフォレストの種類：分類
木の本数：500本
各スプリットで試した変数の数：3個
OOBによる推定エラー率：49.71%。
コンフュージョンマトリックス。
[0, 0] (0, 1) class.error
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
かはく
コール
ada(TFC_Target ~ ., data = crs$dataset[crs$train, c(crs$input,
crs$target)], control = rpart::rpart.control(maxdepth = 30,
cp = 0.01, minsplit = 20, xval = 10), iter = 50) 。
損失：指数法 方法：離散 反復：50
データの最終的なコンフュージョンマトリックス。
最終予想
真値（0,1） [0,0］
(0,1] 303 37
[0,0] 29 331
トレインエラー：0.094
アウトオブバッグエラー：0.157 iteration= 50
エスブイエム
SVMモデル（ksvmで構築）の概要。
クラス "ksvm "のサポートベクターマシンオブジェクト。
SVタイプ：C-svc(分類)
パラメータ：コストC = 1
ガウスラジアルベーシスのカーネル関数。
ハイパーパラメータ : シグマ = 0.12775132444179
サポートベクター数：662
目的関数値：-584.3646
トレーニングエラー : 0.358571
確率モデルを含む。
所要時間：0.17秒
テストセットで（ガラケーのことです、あなたのものではありません）
Ada Boost モデルの test.csv [validate]における誤差行列(個数)。
予想
実際 (0,1) [0,0] です。
[0,0] 33 40
(0,1] 35 42
Ada Boost モデルの test.csv [validate]における誤差行列 (比率)。
予想
実績 (0,1) [0,0] 誤差
[0,0] 0.22 0.27 0.55
(0,1] 0.23 0.28 0.45
全体誤差：50％、クラス平均誤差：50％。
ガラガラタイムスタンプ：2016-08-08 15:48:15ユーザー
======================================================================
test.csv [validate]におけるRandom Forestモデルの誤差行列 (カウント):
予想
実際 [0,0] (0,1)
[0,0] 44 29
(0,1] 44 33
test.csv [validate] における Random Forest モデルの誤差行列 (比率)。
予想
実績 [0,0] (0,1) 誤差
[0,0] 0.29 0.19 0.40
(0,1] 0.29 0.22 0.57
総合誤差：49％、平均クラス誤差：48％。
ガラガラタイムスタンプ：2016-08-08 15:48:15ユーザー
======================================================================
test.csv [validate]におけるSVMモデルの誤差行列(個数):
予想
実際 [0,0] (0,1)
[0,0] 41 32
(0,1] 45 32
test.csv [validate]におけるSVMモデルの誤差行列（割合）。
予想
実績 [0,0] (0,1) 誤差
[0,0] 0.27 0.21 0.44
(0,1] 0.30 0.21 0.58
全体誤差：51％、クラス平均誤差：51％。
ガラガラタイムスタンプ：2016-08-08 15:48:15ユーザー
randomforestのROC解析
上記を確認する。
結論
あなたの予測セットは絶望的です。
予測可能なBPとそうでないBPを選択できるパッケージです。
説明を読むと、とても良いパッケージのようです（ForeCAはRのリポジトリにもあり、githabから何もダウンロードする必要がありません）。最大の特徴は、データの「予測可能性」を評価することです。
そしてプラスこれまた重要なのが、データの次元を減らすために応用できることです。つまり、既存の予測因子から、このパッケージは驚くほど良い予測性を持って、2つの新しい予測因子を作るのです。同時にゴミなどもなくなります。主成分法を連想させるが、成分の代わりに独自のものを作ることになる。
非常に簡単なことですが、このパッケージに多くの予測因子（価格、指標、差分、ゴミなど）を含むテーブルを与えてください。ForeCAは、元のテーブルの代わりに新しいテーブルを出します。この新しいテーブルは、予測モデル（gbm、rf、nnetなど）の学習に使用される。
少し複雑な話ですが、これも核データ変換 パッケージで、株式市場にバイアスがかかっています。
すべてが素晴らしい、素直で、素晴らしすぎるとさえ思える、チェックしなければならないだろう。
予測可能なBPとそうでないBPを選択するパッケージ、私の理解が正しければ
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
極めて好奇心が強い。
パッケージがインストールされ、ドキュメントが利用可能です。
もしかしたら、誰かが試して結果を投稿してくれるかも？
説明を読む限り、とても良いパッケージだと思います（ForeCAはRのリポジトリにも入っているので、githabから何かをダウンロードする必要はありません）。最大の特徴は、データの「予測可能性」を評価することです。
そしてプラスこれまた重要なのが、データの次元を減らすために応用できることです。つまり、既存の予測因子から、このパッケージは驚くほど良い予測性を持って、2つの新しい予測因子を作るのです。同時にゴミなどもなくなります。主成分法を思い起こさせるが、成分の代わりにそれ自身の何かを作ることになる。
非常に簡単なことですが、このパッケージに多くの予測因子（価格、指標、差分、ゴミなど）を含むテーブルを与えてください。ForeCAは、元のテーブルの代わりに新しいテーブルを出します。この新しいテーブルは、予測モデル（gbm、rf、nnetなど）の学習に使用される。
もう少し複雑なら、これも株式市場に偏ったデータの核変換のためのパッケージです。
すべてが素晴らしい、素直で、素晴らしすぎるとさえ思える、チェックしなければならないだろう。
その場合、事前審査が必要になるのでは？
みんな、早くやれよ！
結論
あなたの予測セットは絶望的です。
"両サンプル（train = xx%, test = xx%）の結果を%（予測成功例）で表示します。手法やモデルの指定は不要で、数字だけでいい」。
さらなる結果を待っています。ミハイル・マルキュカイツはどんな結論を出すのだろう。
OK)))ただし、条件をよく読んでください -。
"両サンプル（train = xx%, test = xx%）の結果を%（予測成功例）で表示します。手法やモデルの指定は不要で、数字だけでいい」。
さらなる結果を待っています。ミハイル・マルキュカイツはどんな結論を出すのだろう。
テストは不要です
モデルを学習させることができない!何もない空間はテストできない。
説明を読ませていただきましたが、とても良いパッケージのようです（ForeCA、..........................）。