예, 원칙적으로 어느 정도 적절한 옵션으로 수행합니다. 또 다른 유사한 모델에서 나는 때때로 작은 불일치, 즉 어떻게 발산이 얻어지는지를 관찰했습니다. 그러나 위의 화면처럼 오래 지속되지는 않지만 매우 단기적입니다. 왜 이런 일이 일어나고 있는지 궁금하게 만들었습니다. 나는 이 모델을 시도했고, 훨씬 더 오래 지속된 다이버를 보았습니다.
나는 이 차이가 어디서 오는지 이해가 되지 않는다. 모델이 잘못되었거나 입력 데이터의 품질이 좋지 않습니다. 논리가 이해가 안됩니다. 또는 원본 데이터를 거의 정상으로 조정하고, 또는 다른 모델을 삽질하십시오. 하지만 먼저 이 모델을 써보고, 믿고 버리기에는 쉽지가 않습니다.))
왜 이런 일이 일어나고 있는지 다음과 같은 예외를 이해할 수 없습니다. 이론상 최소제곱보다 더 나은 직교 모델을 계산했습니다. 시작 확률을 얻었습니다. 또한, 모델 매개변수(계수)는 중앙값 알고리즘, 즉 이상치로부터 일종의 강건성(robustness)에 따라 선택된다. 모델은 원본 시리즈를 질적으로 설명합니다.
"직교" 모델이란 무엇입니까? 직교 함수 시스템의 관점에서 확장을 하고 있습니까? 그런 다음 직교하는 가중치를 확인하십시오. 변칙적 동작은 이에 따라 달라질 수 있습니다. 예를 들어, 직교성 세그먼트의 가장자리에서.
어떤 발명품을 말씀하시는 건가요? 직교 회귀, 직교 모델, 혼란스럽습니까? 예, 이것은 중앙값에 개정이 있는 TLS입니다. 수치는 예시로 사용됩니다. 그리고 그들은 문제를 다루지 않습니다. 따라서 도면의 축은 동일한 치수이며 도면의 축척이 약간 다른 것으로 나타났습니다. 이것은 직교성을 이해하는 데 중요하지 않습니다.
아니요, 이것은 함수 분해 가 아닙니다. 이것은 각 샘플 시간에서 법선의 (phi) 기울기가 계산되는 직교 회귀입니다. 법선은 선에서 점까지의 최단 거리입니다. 또한, 각도(phi)의 기울기에 따라 모델의 계수가 계산됩니다.
데카르트 좌표계
직교 피팅 최소제곱 피팅
변칙적인 장소에서 이러한 각도의 값을 확인하는 것은 아마도 정말로 필요할 것입니다.
https://www.mql5.com/en/forum/368720#comment_22203978 , 수치의 하단 - "변칙적" 발산이 시작되는 곳은 회귀(선형 또는 비선형 - x)의 함수로 Y의 모든 동일한 표현이 악화되고 불일치가 급격히 증가합니다. 그리고 삼각 및 대수 다항식에 의한 근사의 잔차는 연속성 계수에 비례합니다(Jackson-Stechkin 부등식에 따르면 Wiki "Modulus_of_continuity" 참조). 연속 함수의 동작에 대한 함수 동작의 근접성 속성. 이 그림에 표시된 경우 연속성 계수의 이산 아날로그는 0에 가깝게 급격히 상승합니다.
그런 다음 확장의 계수를 변경합니다(선형 - Y가 두 가지 기능으로 확장된 경우: Y1(x) = 1; Y2(x) = x와 계수 a 및 b: Y(x)=a+bx) 이미 천천히 [ 연속적으로], 중앙값 평활화를 사용합니다. 그리고 점프에서 얻은 이러한 계수의 값은 점프 후 어느 순간부터 접근 방식이 방법에 따라 시작되었거나 점프가 코스가 같은 지점으로 그렇게 빠르게 이동하지 않습니다.
https://www.mql5.com/en/forum/368720#comment_22203978 , 수치의 하단 - "변칙적" 발산이 시작되는 곳은 회귀(선형 또는 비선형 - x)의 함수로 Y의 모든 동일한 표현이 악화되고 불일치가 급격히 증가합니다. 그리고 삼각 및 대수 다항식에 의한 근사의 잔차는 연속성 계수에 비례합니다(Jackson-Stechkin 부등식에 따르면 Wiki "Modulus_of_continuity" 참조). 연속 함수의 동작에 대한 함수 동작의 근접성 속성. 이 그림에 표시된 경우 연속성 계수의 이산 아날로그는 0에 가깝게 급격히 상승합니다.
그런 다음 확장의 계수를 변경합니다(선형 - Y가 두 가지 기능으로 확장된 경우: Y1(x) = 1; Y2(x) = x와 계수 a 및 b: Y(x)=a+bx) 이미 천천히 [ 연속적으로], 중앙값 평활화를 사용합니다. 그리고 점프에서 얻은 이러한 계수의 값은 점프 후 어느 순간부터 접근 방식이 방법에 따라 시작되었거나 점프가 코스가 같은 지점으로 그렇게 빠르게 이동하지 않습니다.
잘 생각한 설명 감사합니다! 점프할 때의 불일치로 영혼의 섬유도 마찬가지라고 의심했지만 제대로 공식화하지 못했다. 중간 스무딩이 실제로 적용되기 때문에 창 크기에 따라 점프한 후 이 점프의 메모리가 여전히 남아 있습니다. mql5의 산점도를 사용하여 아직 수정하는 방법을 찾지 못했습니다. 공부하는 과정에서. 그런 그래프를 보는 것도 재미있습니다. 그래프를 보여주자마자 좌표를 어떻게 처리해야 할 지 모르겠으니 바로.
예, 원칙적으로 어느 정도 적절한 옵션으로 수행합니다.
또 다른 유사한 모델에서 나는 때때로 작은 불일치, 즉 어떻게 발산이 얻어지는지를 관찰했습니다.
그러나 위의 화면처럼 오래 지속되지는 않지만 매우 단기적입니다. 왜 이런 일이 일어나고 있는지 궁금하게 만들었습니다.
나는 이 모델을 시도했고, 훨씬 더 오래 지속된 다이버를 보았습니다.
나는 이 차이가 어디서 오는지 이해가 되지 않는다. 모델이 잘못되었거나 입력 데이터의 품질이 좋지 않습니다.
논리가 이해가 안됩니다.
또는 원본 데이터를 거의 정상으로 조정하고,
또는 다른 모델을 삽질하십시오.
하지만 먼저 이 모델을 써보고, 믿고 버리기에는 쉽지가 않습니다.))
부적절한 모델
왜 이런 일이 일어나고 있는지 다음과 같은 예외를 이해할 수 없습니다.
이론상 최소제곱보다 더 나은 직교 모델을 계산했습니다.
시작 확률을 얻었습니다.
또한, 모델 매개변수(계수)는 중앙값 알고리즘, 즉 이상치로부터 일종의 강건성(robustness)에 따라 선택된다.
모델은 원본 시리즈를 질적으로 설명합니다.
"직교" 모델이란 무엇입니까? 직교 함수 시스템의 관점에서 확장을 하고 있습니까? 그런 다음 직교하는 가중치를 확인하십시오. 변칙적 동작은 이에 따라 달라질 수 있습니다. 예를 들어, 직교성 세그먼트의 가장자리에서.
"직교" 모델이란 무엇입니까?
직교 함수 시스템의 관점에서 확장을 하고 있습니까?
그런 다음 직교하는 가중치를 확인하십시오. 변칙적 동작은 이에 따라 달라질 수 있습니다.
예를 들어, 직교성 세그먼트의 가장자리에서.
아니요, 이것은 함수 분해 가 아닙니다.
이것은 각 샘플 시간에서 법선의 (phi) 기울기가 계산되는 직교 회귀입니다.
법선은 선에서 점까지의 최단 거리입니다.
또한, 각도(phi)의 기울기에 따라 모델의 계수가 계산됩니다.
데카르트 좌표계
직교 피팅 최소제곱 피팅
변칙적인 장소에서 이러한 각도의 값을 확인하는 것은 아마도 정말로 필요할 것입니다.
이것은 각 샘플 시간에서 법선의 (phi) 기울기가 계산되는 직교 회귀입니다.
글쎄, 그것을 사람처럼 부르고 이름을 생각해 내지 마십시오 - MNPK 또는 TLS
축의 차원이 다른 경우 그 점은 무엇입니까?
글쎄, 그것을 사람처럼 부르고 이름을 생각해 내지 마십시오 - MNPK 또는 TLS
축의 차원이 다른 경우 요점은 무엇입니까?
어떤 발명품을 말씀하시는 건가요?
직교 회귀, 직교 모델, 혼란스럽습니까?
예, 이것은 중앙값에 개정이 있는 TLS입니다.
수치는 예시로 사용됩니다. 그리고 그들은 문제를 다루지 않습니다.
따라서 도면의 축은 동일한 치수이며 도면의 축척이 약간 다른 것으로 나타났습니다.
이것은 직교성을 이해하는 데 중요하지 않습니다.
직교 회귀, 직교 모델, 혼란스럽습니까?
예, 동의합니다, 틀렸습니다
아니요, 이것은 함수 분해 가 아닙니다.
이것은 각 샘플 시간에서 법선의 (phi) 기울기가 계산되는 직교 회귀입니다.
법선은 선에서 점까지의 최단 거리입니다.
또한, 각도(phi)의 기울기에 따라 모델의 계수가 계산됩니다.
데카르트 좌표계
직교 피팅 최소제곱 피팅
변칙적인 장소에서 이러한 각도의 값을 확인하는 것은 아마도 정말로 필요할 것입니다.
https://www.mql5.com/en/forum/368720#comment_22203978 , 수치의 하단 - "변칙적" 발산이 시작되는 곳은 회귀(선형 또는 비선형 - x)의 함수로 Y의 모든 동일한 표현이 악화되고 불일치가 급격히 증가합니다. 그리고 삼각 및 대수 다항식에 의한 근사의 잔차는 연속성 계수에 비례합니다(Jackson-Stechkin 부등식에 따르면 Wiki "Modulus_of_continuity" 참조). 연속 함수의 동작에 대한 함수 동작의 근접성 속성. 이 그림에 표시된 경우 연속성 계수의 이산 아날로그는 0에 가깝게 급격히 상승합니다.
그런 다음 확장의 계수를 변경합니다(선형 - Y가 두 가지 기능으로 확장된 경우: Y1(x) = 1; Y2(x) = x와 계수 a 및 b: Y(x)=a+bx) 이미 천천히 [ 연속적으로], 중앙값 평활화를 사용합니다. 그리고 점프에서 얻은 이러한 계수의 값은 점프 후 어느 순간부터 접근 방식이 방법에 따라 시작되었거나 점프가 코스가 같은 지점으로 그렇게 빠르게 이동하지 않습니다.
그건 그렇고, 비율이 거의 갑자기 변경되는 특정 경우에 대해 https://www.mql5.com/en/forum/368720/page2#comment_22207994 에서 제공한 것과 유사한 사진을 보는 것은 흥미로울 것입니다.
https://www.mql5.com/en/forum/368720#comment_22203978 , 수치의 하단 - "변칙적" 발산이 시작되는 곳은 회귀(선형 또는 비선형 - x)의 함수로 Y의 모든 동일한 표현이 악화되고 불일치가 급격히 증가합니다. 그리고 삼각 및 대수 다항식에 의한 근사의 잔차는 연속성 계수에 비례합니다(Jackson-Stechkin 부등식에 따르면 Wiki "Modulus_of_continuity" 참조). 연속 함수의 동작에 대한 함수 동작의 근접성 속성. 이 그림에 표시된 경우 연속성 계수의 이산 아날로그는 0에 가깝게 급격히 상승합니다.
그런 다음 확장의 계수를 변경합니다(선형 - Y가 두 가지 기능으로 확장된 경우: Y1(x) = 1; Y2(x) = x와 계수 a 및 b: Y(x)=a+bx) 이미 천천히 [ 연속적으로], 중앙값 평활화를 사용합니다. 그리고 점프에서 얻은 이러한 계수의 값은 점프 후 어느 순간부터 접근 방식이 방법에 따라 시작되었거나 점프가 코스가 같은 지점으로 그렇게 빠르게 이동하지 않습니다.
그건 그렇고, 비율이 거의 갑자기 변경되는 특정 경우에 대해 https://www.mql5.com/en/forum/368720/page2#comment_22207994 에서 제공한 것과 유사한 사진을 보는 것은 흥미로울 것입니다.
잘 생각한 설명 감사합니다!
점프할 때의 불일치로 영혼의 섬유도 마찬가지라고 의심했지만 제대로 공식화하지 못했다.
중간 스무딩이 실제로 적용되기 때문에 창 크기에 따라 점프한 후 이 점프의 메모리가 여전히 남아 있습니다.
mql5의 산점도를 사용하여 아직 수정하는 방법을 찾지 못했습니다. 공부하는 과정에서. 그런 그래프를 보는 것도 재미있습니다.
그래프를 보여주자마자 좌표를 어떻게 처리해야 할 지 모르겠으니 바로.
중위수 평활화 없이 순수 계수에 대해서는 사실인 것 같습니다.
그러나 그것은 회복의 그런 그림으로 밝혀졌습니다.
추가되었습니다.
나는 원래 데이터가 약점을 식별하기 위해 변환 없이 여전히 단순히 로그임을 명확히 하는 것을 잊었습니다.
로그 증분 - 작동하지 않습니까?
다차원 정규성이 필요합니다. 그렇게 싸게 살 수는 없다)