거기에는 클래스 "1"이 "0"을 초과하는 경우도 있으므로 이전에 비해 잘못된 항목이 적습니다. EA에서 이 트리를 사용해 보십시오. 수익 차트에 어떤 내용이 나올지 지켜보는 것도 흥미롭습니다.
y_pred
y_true
0
하나
0
하나
클래스 "1"은 구매용 필터이고 클래스 "-1"은 판매용 필터이므로 이상적으로는 판매 및 구매 모두에 대해 필터를 프로그래밍하는 것이 좋습니다. 내가 알기로는 모든 int 값만 가지고 있습니다. 트리의 분기 값이 2.5이면 3을 넣습니다. 맞죠? 그리고 타원에서는 0.50 이상을 의미합니다. 그러면 이것은 1이고 그렇지 않으면 0입니다. 0으로 가는 출구는 4개뿐이므로 0이 아니면 1을 확인합니다.
클래스 "1"은 구매용 필터이고 클래스 "-1"은 판매용 필터이므로 이상적으로는 판매 및 구매 모두에 대해 필터를 프로그래밍하는 것이 좋습니다. 내가 알기로는 모든 int 값만 가지고 있습니다. 트리의 분기 값이 2.5이면 3을 넣습니다. 맞죠? 그리고 타원에서는 0.50 이상을 의미합니다. 그러면 이것은 1이고 그렇지 않으면 0입니다. 0으로 가는 출구는 4개뿐이므로 0이 아니면 1을 확인합니다.
나무를 직접 만드십니까?
숲을 훈련시키는 것으로 충분하며 추가 최적화를 수행하는 것은 무의미합니다. 새 숲을 만드는 것이 더 쉽습니다.
예 - 구매하지 마십시오. 이것은 필터입니다. 구매 및 판매에 대한 나쁜 진입점을 찾고 있습니다. 아이디어는 시장 항목 을 찾아 필터와 결합하는 것입니다.
박사 상인 :
그리고 두 개의 arr_Buy와 arr_Sell에서 하나의 목표 값을 계산하는 방법은 무엇입니까?
하나의 대상 열에 1과 1(구매 및 판매)의 두 클래스만 있고 두 클래스의 수가 거의 같으면 좋을 것입니다. 이 경우 모델에서 보다 안정적인 결과를 얻을 수 있습니다.
이 경우 항목은 매수 또는 매도에 대해 각 막대에 있어야 하지만 시장은 많은 추세 움직임을 제공하지 않으며 매수 및 매도 대상은 추세이므로 신호를 결합할 수 없습니다. 필터는 모든 손실을 추적하므로 더 많은 정보가 있습니다. 더 많은 아파트가 있으므로 이를 잡아야 합니다.
여러 번 작성되었습니다. 노이즈 예측자는 모델에 훨씬 더 편리합니다. 노이즈에는 항상 학습 결과를 향상시키는 값이 있습니다. 따라서 프로세스는 반대입니다. 노이즈 예측기는 예상한 대로가 아니라 더 많은 가중치를 얻습니다. 이것은 1000개 미만의 관측값을 갖는 작은 표본에서 특히 두드러집니다. 5000개 이상의 관찰 샘플은 그렇게 영향을 받지 않지만 여전히 노이즈 예측 변수를 사전 선별해야 합니다.
"노이즈 예측기"를 정의하는 방법은 무엇입니까? 이런 식으로 중요도별로 선택하고 제거하려고 하면 결과가 더 나빠졌습니다.
그리고 R 자체에는 그래픽이 없습니다. 그리고 카운트 패키지를 통해서도 하나님은 무엇을 알고 계십니다.
오늘은 DSP 공부에 하루를 바쳤습니다.
NS와 같은 것.
여과 계수 및 거의 예측 변수와 같은 모든 것
)
오늘은 DSP 공부에 하루를 바쳤습니다.
NS와 같은 것.
필터 계수 및 거의 예측 변수와 같은 모든 것
)
아마도 하루로는 충분하지 않을 것입니다.) 사실 이것은 전문입니다.) 그들은 수년간, 심지어는 활동적인 삶 전체를 공부합니다.
NS는 유사하지 않지만 DSP에서 널리 사용됩니다. DSP에서 NS를 사용하는 문제는 NS에 대한 문제의 올바른 공식화입니다. NS의 응용 프로그램 중 하나가 필터링이라고 가정해 보겠습니다. 적응.
그건 그렇고, 국회에 아주 구체적인 일을 맡기고 아무 것도 안 가져오면 잘 될 거에요.
아마도 하루로는 충분하지 않을 것입니다.) 사실 이것은 전문입니다.) 그들은 수년간, 심지어는 활동적인 삶 전체를 공부합니다.
NS는 유사하지 않지만 DSP에서 널리 사용됩니다. DSP에서 NS를 사용하는 문제는 NS에 대한 문제의 올바른 공식화입니다. NS의 응용 프로그램 중 하나가 필터링이라고 가정해 보겠습니다. 적응.
그건 그렇고, 국회에 아주 구체적인 일을 맡기고 아무 것도 안 가져오면 잘 될 거에요.
스페셜 슈트 대응
하루가 아니라 동의합니다.
Filter_02 2016 arr_구매
거기에는 클래스 "1"이 "0"을 초과하는 경우도 있으므로 이전에 비해 잘못된 항목이 적습니다. EA에서 이 트리를 사용해 보십시오. 수익 차트에 어떤 내용이 나올지 지켜보는 것도 흥미롭습니다.
클래스 "1"은 구매용 필터이고 클래스 "-1"은 판매용 필터이므로 이상적으로는 판매 및 구매 모두에 대해 필터를 프로그래밍하는 것이 좋습니다. 내가 알기로는 모든 int 값만 가지고 있습니다. 트리의 분기 값이 2.5이면 3을 넣습니다. 맞죠? 그리고 타원에서는 0.50 이상을 의미합니다. 그러면 이것은 1이고 그렇지 않으면 0입니다. 0으로 가는 출구는 4개뿐이므로 0이 아니면 1을 확인합니다.
클래스 "1"은 매수 필터이고 클래스 "-1"은 매도 필터입니다.
이해하지 못했습니다. rr_Buy==1은 "구매하지 않음"을 의미합니까?
이상적으로는 판매 및 구매 모두에 대해 필터를 프로그래밍하는 것이 좋습니다.
그리고 두 개의 arr_Buy와 arr_Sell에서 하나의 목표 값을 계산하는 방법은 무엇입니까?
하나의 대상 열에 1과 1(구매 및 판매)의 두 클래스만 있고 두 클래스의 수가 거의 같으면 좋을 것입니다. 이 경우 모델에서 보다 안정적인 결과를 얻을 수 있습니다.
내가 알기로는 모든 int 값만 가지고 있습니다. 트리의 분기 값이 2.5이면 3을 넣습니다. 맞죠? 그리고 타원에서는 0.50 이상을 의미합니다. 그러면 이것은 1이고 그렇지 않으면 0입니다. 0으로 가는 출구는 4개뿐이므로 0이 아니면 1을 확인합니다.
네, 맞습니다.
클래스 "1"은 구매용 필터이고 클래스 "-1"은 판매용 필터이므로 이상적으로는 판매 및 구매 모두에 대해 필터를 프로그래밍하는 것이 좋습니다. 내가 알기로는 모든 int 값만 가지고 있습니다. 트리의 분기 값이 2.5이면 3을 넣습니다. 맞죠? 그리고 타원에서는 0.50 이상을 의미합니다. 그러면 이것은 1이고 그렇지 않으면 0입니다. 0으로 가는 출구는 4개뿐이므로 0이 아니면 1을 확인합니다.
나무를 직접 만드십니까?
숲을 훈련시키는 것으로 충분하며 추가 최적화를 수행하는 것은 무의미합니다. 새 숲을 만드는 것이 더 쉽습니다.
MQL5와의 완전한 호환성을 위해 https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5 로컬 에이전트에서만 실행을 만들었습니다. 다양한 수의 예측 변수를 사용하여 여러 파일을 생성하고 최적화 프로그램을 통해 정렬할 수 있습니다. RAM이 더 이상 충분하지 않으면 Spark로 전환하는 것이 좋습니다 ...
이해하지 못했습니다. rr_Buy==1은 "구매하지 않음"을 의미합니까?
예 - 구매하지 마십시오. 이것은 필터입니다. 구매 및 판매에 대한 나쁜 진입점을 찾고 있습니다. 아이디어는 시장 항목 을 찾아 필터와 결합하는 것입니다.
그리고 두 개의 arr_Buy와 arr_Sell에서 하나의 목표 값을 계산하는 방법은 무엇입니까?
하나의 대상 열에 1과 1(구매 및 판매)의 두 클래스만 있고 두 클래스의 수가 거의 같으면 좋을 것입니다. 이 경우 모델에서 보다 안정적인 결과를 얻을 수 있습니다.
이 경우 항목은 매수 또는 매도에 대해 각 막대에 있어야 하지만 시장은 많은 추세 움직임을 제공하지 않으며 매수 및 매도 대상은 추세이므로 신호를 결합할 수 없습니다. 필터는 모든 손실을 추적하므로 더 많은 정보가 있습니다. 더 많은 아파트가 있으므로 이를 잡아야 합니다.
여러 번 작성되었습니다. 노이즈 예측자는 모델에 훨씬 더 편리합니다. 노이즈에는 항상 학습 결과를 향상시키는 값이 있습니다. 따라서 프로세스는 반대입니다. 노이즈 예측기는 예상한 대로가 아니라 더 많은 가중치를 얻습니다. 이것은 1000개 미만의 관측값을 갖는 작은 표본에서 특히 두드러집니다. 5000개 이상의 관찰 샘플은 그렇게 영향을 받지 않지만 여전히 노이즈 예측 변수를 사전 선별해야 합니다.
"노이즈 예측기"를 정의하는 방법은 무엇입니까? 이런 식으로 중요도별로 선택하고 제거하려고 하면 결과가 더 나빠졌습니다.
나는 그래프 자체에 랜덤 포레스트의 결과를 부과하는 것을 선호합니다.
예를 들어 두 개의 임의 포리스트 모델을 비교하면 다음과 같습니다.
나는 그래프 자체에 랜덤 포레스트의 결과를 부과하는 것을 선호합니다.
예를 들어 두 개의 임의 포리스트 모델을 비교하면 다음과 같습니다.
지표를 읽는 방법이 명확하지 않습니다.