RDF 알고리즘은 Leo Breiman과 Adele Cutler가 설계한 원래 Random Forest 알고리즘을 수정한 것입니다. 이 알고리즘에서는 두 가지 아이디어가 서로 결합되어 있습니다. 투표를 통해 결과를 얻는 의사결정나무 위원회를 사용하는 것과 훈련 프로세스를 무작위화하는 아이디어입니다.
This page contains a brief description of the RDF classification and regression algorithm. Prior to reading this page, it is necessary that you look through the paper on the general principles of data analysis methods. It contains important information which, to avoid duplication (as it is of great significance for each algorithm in this...
네, 알겠습니다...코드를 복사하셨습니까?
그런 다음 우리는 논의 할 것입니다 ...
네, 삭제할 수 있습니다
코드 주석의 처음 몇 줄을 읽고 코드 섹션으로 이동하십시오 ... 이해하기를 바랍니다 ...
다음으로, 우리가 변경해야 할 것은 RDF를 학습하고 이를 "CalculateNeuron (double a, int b)" 함수 에 전달하는 동적 배열을 하나 더 추가하는 것입니다.
이 같은:
그런 다음 ArrayCopy()를 사용하여 best_features[] 배열을 입력 [] 배열에 복사합니다...
휴식은 간단해야 합니다 :)))
따라서 기본 함수 구성 요소의 동적 값을 기반으로 함수는 변환된 기능을 반환하고 RDF를 계속해서 다시 훈련하고 함수를 호출하는 식으로 계속 .....
RDF가 아니라 RF입니다.
아니, RDF http://www.alglib.net/dataanalysis/decisionforest.php
RDF 알고리즘은 Leo Breiman과 Adele Cutler가 설계한 원래 Random Forest 알고리즘을 수정한 것입니다. 이 알고리즘에서는 두 가지 아이디어가 서로 결합되어 있습니다. 투표를 통해 결과를 얻는 의사결정나무 위원회를 사용하는 것과 훈련 프로세스를 무작위화하는 아이디어입니다.예 .. 하지만 "케이스"가 있는 코드가 너무 크면 훨씬 더 짧게 구현할 수 있다고 생각합니다. 그래서 pls는 코드를 완료할 때 조금 기다리십시오. 코드가 나쁠 경우 계속 진행하십시오 ^^)
네, 그것은 바로 위키피디아에서 확인할 수 있는 GMDH 최고의 기본 기능 입니다. :)))...많은 연구 후에도 여전히 시도하고 있는 더 나은 방법을 찾을 수 없었습니다........ .......
그러나 각 단계에 대해 하나의 조건만 실행되므로 나머지 코드는 break 문 이후에 실행되지 않습니다.
그래서 훈련이 느릴 수 있다고 생각합니다...모르겠습니다...그렇다면 다른 입력 변수를 사용하여 구성 요소의 최대 값을 3 또는 4로 제한하여 기능을 최대 3으로 나누도록 할 수 있습니다. 또는 4개의 구성요소 및 그 이하.
이미 말했듯이 GMDH 자체가 신경망 역할을 하므로 이제 이중 신경망을 하나의 GMDH와 하나의 RDF를 함께 사용하고 있습니다. :)))
나는 재미를 느끼고 기계 학습을 코딩 학습으로 줄이기로 결정했습니다. 분명히 그는 그것을 사랑하지만 캠페인과 교육 프로그램은 분명히 당신의 매우 활동적인 동지를 방해하지 않을 것입니다 ...))
그나저나 P-net에 접속도 안했는데 PNN과 많이 다른가요?
여기에서 PNN에 대해 읽었습니다. 성배는 마티보입니다.
지금은 어떤 PNN이었는지 기억나지 않지만 검색은 비즈니스를 위한 PNN-Soft B2B 프로그래밍 서비스를 제공하지만 우리는 확실히 다르게 시작할 것이라고 생각합니다
아이디어는 매우 간단하지만 독창적입니다))
맞습니다. 하지만 우리는 2개의 NN이 필요하지 않습니다. 좋은 기능 선택기가 필요하기 때문에 완전한 gmdh가 아니어야 합니다.
그래서 내 구현이 그것에 더 가깝습니다.정확히.. GMDH 또는 RDF 또는 RF 등의 정확한 공식이나 방법을 사용해야 하는 것은 아닙니다...우리가 원하는 것은 최종 결과뿐입니다. :)))))))))
내가 찾고있는 것은 :
1.과거 데이터로 빠른 훈련
2. 빠른 거래 실행을 위한 라이브 거래 중 빠른 기능 선택
3.반복 훈련을 통한 해법을 향한 알고리즘의 수렴
4. 거래 중 높은 정확도와 낮은 손실
이제 모든 요점 을 충족하는 것은 일반적으로 MQL5에서 달성하기 어렵지만 현재 구현은 대부분의 요점을 충족하는 것 같습니다. 그러나 알고리즘의 미세 조정을 사용하여 4가지 기준 모두의 적절한 균형을 수행해야 합니다...
예를 들어 기능 수를 높게 늘리면 결과가 약간 향상되지만 교육 시간도 크게 증가합니다...
확률적 NN, MGUA 유형의 다항식을 가진 피쳐 트리가 거기에 구축되고 이러한 다항식이 시그모이드 대신 사용됩니다.
https://en.wikipedia.org/wiki/Probabilistic_neural_network
모든 종류의 베이지안 추가 .. MLP보다 훨씬 빠릅니다.
네, 아직도 이동 중에 혼란스럽습니다.. 다항식 NA를 염두에 두었습니다.
코드에서 PNN, RDF 및 GMDH를 함께 사용할 수 있다고 생각합니다. :))))
PNN의 논리는 대단한 것 같습니다!!!...PNN은 인간 두뇌의 뉴런처럼 작동하는 것 같습니다... 빠른 의사 결정 과정을 의미합니다... 그래서 내 논리의 각 for 루프에 break 문을 사용한다면 아마도 PNN으로 작동합니다...
모든 for 루프의 끝으로 이동하지 않는다는 것을 의미합니다. 그러나 TickCount() 함수 를 사용하여 지연 시간을 확인하고 2~5ms 이상인 경우 루프를 중단하고 다음 RDF 결정을 계속합니다. ..
방금 PNN을 살펴보았는데... PNN 코드를 다시 작성하라고 하지 마세요 :))))))))))))))))))))))))))) )))
대수, 삼각, 직교 다항식과 같은 다양한 기본 변환 기능 도 구현해야 합니다.
현재 GMDH 로직에 PNN을 사용하여 의사 결정 프로세스를 빠르게 진행할 수 있다고 생각합니다... 확실하지 않습니다. 하지만 로직을 살펴보았으므로 지금 PNN 코드를 작성하라고 말하지 마세요 :)))