記事「知っておくべきMQL5ウィザードのテクニック(第16回):固有ベクトルによる主成分分析」についてのディスカッション 新しいコメント MetaQuotes 2024.06.04 06:44 新しい記事「知っておくべきMQL5ウィザードのテクニック(第16回):固有ベクトルによる主成分分析」はパブリッシュされました: データ分析における次元削減技術である主成分分析について、固有値とベクトルを用いてどのように実装できるかを考察します。いつものように、MQL5ウィザードで使用可能なExpertSignalクラスのプロトタイプの開発を目指します。 SVDは、行列データセットを3つの別々の行列に分割することによって次元削減を達成することができ、この3つのうちの1つであるΣ行列は、データにおける分散の最も重要な方向を特定します。対角行列としても知られるこの行列には特異値が含まれ、これはあらかじめ特定された各方向(3つの行列のもう1つに記録され、しばしばUと呼ばれる)に沿った分散の大きさを表します。特異値が大きいほど、データのばらつきを説明する上で対応する方向が有意であることを意味します。これにより、最も特異値の高いU列が行列全体の代表として選択されることになり、次元の削減につながります(行列から単一のベクトルへ)。 逆に、べき乗法は、ベクトル推定値を繰り返し精緻化し、支配的な固有ベクトルに収束させます。この固有ベクトルは、データ中の最も大きな変動を持つ方向を捉え、元の行列の次元を削減したものに相当します。 しかし、固有ベクトルと固有値に注目すると、n×nの行列をn個の可能なnサイズのベクトルに縮小することができ、これらのベクトルにはそれぞれ固有値が割り当てられます。この固有値は、次に行列を最もよく表す固有ベクトルの選択を知らせ、やはり値が高いほどデータの変動を説明する上で正の相関が高いことを示します。 作者: Stephen Njuki 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
新しい記事「知っておくべきMQL5ウィザードのテクニック(第16回):固有ベクトルによる主成分分析」はパブリッシュされました:
データ分析における次元削減技術である主成分分析について、固有値とベクトルを用いてどのように実装できるかを考察します。いつものように、MQL5ウィザードで使用可能なExpertSignalクラスのプロトタイプの開発を目指します。
SVDは、行列データセットを3つの別々の行列に分割することによって次元削減を達成することができ、この3つのうちの1つであるΣ行列は、データにおける分散の最も重要な方向を特定します。対角行列としても知られるこの行列には特異値が含まれ、これはあらかじめ特定された各方向(3つの行列のもう1つに記録され、しばしばUと呼ばれる)に沿った分散の大きさを表します。特異値が大きいほど、データのばらつきを説明する上で対応する方向が有意であることを意味します。これにより、最も特異値の高いU列が行列全体の代表として選択されることになり、次元の削減につながります(行列から単一のベクトルへ)。
逆に、べき乗法は、ベクトル推定値を繰り返し精緻化し、支配的な固有ベクトルに収束させます。この固有ベクトルは、データ中の最も大きな変動を持つ方向を捉え、元の行列の次元を削減したものに相当します。
しかし、固有ベクトルと固有値に注目すると、n×nの行列をn個の可能なnサイズのベクトルに縮小することができ、これらのベクトルにはそれぞれ固有値が割り当てられます。この固有値は、次に行列を最もよく表す固有ベクトルの選択を知らせ、やはり値が高いほどデータの変動を説明する上で正の相関が高いことを示します。
作者: Stephen Njuki