선형 회귀 는 시간에 대한 가격의 선형 의존성이 있다고 가정할 때 적용되며, 이는 일반적인 경우에는 명확하게 관찰되지 않지만 선형 의존성은 제한된 시간 간격으로 때때로 나타날 수 있지만 이 가정을 적용하려는 시도 앞으로 상당한 편차를 초래할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
이와 관련하여 http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81 % D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C, 가능 지점 이름을 변경하시겠습니까?:
수학적 모델과 회귀 모델은 구별됩니다. 수학적 모델은 알려진 규칙성을 설명하는 함수 구성에 분석가의 참여를 가정합니다. 수학적 모델은 해석 가능하며 연구 중인 규칙성의 프레임워크 내에서 설명할 수 있습니다. 수학적 모델을 구성할 때 먼저 매개변수 함수 패밀리가 생성된 다음 측정된 데이터를 사용하여 모델이 식별되어 매개변수를 찾습니다. 설명 변수와 응답 변수의 잘 알려진 기능적 종속성은 수학적 모델링과 회귀 분석 의 주요 차이점입니다.
수학적 모델링의 단점은 측정된 데이터를 검증용으로 사용하지만 모델 구축용으로 사용하지 않아 부적절한 모델을 얻을 수 있다는 점이다. 또한 많은 수의 서로 다른 요인이 상호 연결되어 있는 복잡한 현상의 모델을 얻기가 어렵습니다.
회귀 모델은 일부 규칙성을 설명하는 광범위한 범용 함수 클래스를 결합합니다. 동시에, 측정된 데이터는 연구 중인 패턴의 속성에 대한 지식보다는 주로 모델을 구축하는 데 사용됩니다. 이러한 모델은 종종 해석할 수 없지만 더 정확합니다. 이는 최적의 모델을 구축하는 데 사용되는 후보 모델의 수가 많거나 모델의 복잡성이 높기 때문입니다. 회귀 모델의 매개변수를 찾는 것을 모델 훈련이라고 합니다.
회귀 분석의 단점: 복잡성이 너무 적은 모델은 부정확할 수 있고 복잡성이 너무 많은 모델은 과적합될 수 있습니다.
회귀 모델의 예: 선형 함수, 대수 다항식, Chebyshev 급수, 피드백이 없는 신경망(예: Rosenblatt의 단일 레이어 퍼셉트론, 방사형 기저 함수 등).
회귀 및 수학적 모델은 일반적으로 연속 매핑을 정의합니다. 연속성 요구 사항은 해결되는 문제의 등급에 따라 결정됩니다. 대부분의 경우 연속성 요구 사항이 자연스럽게 설정되는 물리적, 화학적 및 기타 현상에 대한 설명입니다. 때때로 매핑은 단조성, 부드러움, 측정 가능성 등의 제한을 받습니다. 이론적으로 아무도 임의 유형의 함수로 작업하는 것을 금지하지 않으며 모델에 중단점의 존재를 허용할 뿐만 아니라 자유 변수의 유한하고 정렬되지 않은 값 집합을 설정하는 것, 즉 회귀 문제를 분류 문제로 바꾸는 것 .
회귀분석의 문제를 풀 때 다음과 같은 질문이 생긴다. 모델의 유형과 구조를 선택하는 방법, 어떤 패밀리에 속해야 합니까? 데이터 생성 가설은 무엇이며 확률 변수의 분포는 무엇입니까? 근사의 품질을 평가하는 목적 함수는 무엇입니까? 모델의 매개변수를 찾는 방법, 매개변수를 최적화하기 위한 알고리즘은 무엇이어야 합니까?
yosuf : 선형 회귀는 시간에 대한 가격의 선형 의존성이 있다고 가정할 때 적용되며, 이는 일반적인 경우에는 명확하게 관찰되지 않지만 선형 의존성은 제한된 시간 간격으로 때때로 나타날 수 있지만 이 가정을 적용하려는 시도 앞으로 상당한 편차를 초래할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
정말 비선형? 감마 함수에 대한 회귀? 아니면 여전히 선형이지만 직선이 아니라 감마 기능이 있습니까?
어쨌든 Yusuf, 당신은 아무것도 발견하지 못했습니다. 수학은 회귀, 선형, 비선형, 직선 및 다른 기능을 알고 있습니다.
랜덤 워크에서 가격 증분 은 가격 자체가 아니라 정규 분포로 설명됩니다.
이제 SB의 특정 클래스를 특성화했습니다. 그리고 적어도 세 가지가 있습니다.
그리고 어디서 구할 수 있나요?
난 그녀가 없어. 나는 (18) 모든 종류의 삼각 및 다항 회귀 및 신경망이 기반으로 하는 복잡한 시장 모델을 잊어버리고 가격 행동의 통계를 알고 거래할 수 있음을 보여주기 위해 이 예를 제공했습니다.
이제 SB의 특정 클래스를 특성화했습니다. 그리고 적어도 세 가지가 있습니다.
가장 자주 사용되는 SB 클래스를 설명합니다. 다음은 영어 Wikipedia에서 가져온 것입니다(러시아어는 일시적으로 폐쇄됨):
정규분포 에 따라 스텝 크기가 달라지는 랜덤 워크는 금융 시장과 같은 실제 시계열 데이터의 모델로 사용됩니다. 예를 들어, 옵션 가격을 모델링하기 위한 블랙-숄즈 공식은 기본 가정으로 가우스 랜덤 워크를 사용합니다.
사실 확률변수의 증분에 어떤 분포(정규, 균일 등)가 있다고 해서 확률변수 자체가 같은 분포를 갖는다는 의미는 아니라는 것을 설명하려고 했습니다. 그리고 그 딸기밭도 아닙니다 :)
가장 자주 사용되는 SB 클래스를 설명합니다. 다음은 영어 Wikipedia에서 가져온 것입니다(러시아어는 일시적으로 폐쇄됨):
정규분포 에 따라 스텝 크기가 달라지는 랜덤 워크는 금융 시장과 같은 실제 시계열 데이터의 모델로 사용됩니다. 예를 들어, 옵션 가격을 모델링하기 위한 블랙-숄즈 공식은 기본 가정으로 가우스 랜덤 워크를 사용합니다.
사실 확률변수의 증분에 어떤 분포(정규, 균일 등)가 있다고 해서 확률변수 자체가 같은 분포를 갖는다는 의미는 아니라는 것을 설명하려고 했습니다. 그리고 그 딸기밭도 아닙니다 :)
난 그녀가 없어. 나는 (18) 모든 종류의 삼각 및 다항 회귀 및 신경망이 기반으로 하는 복잡한 시장 모델을 잊어버리고 가격 행동의 통계를 알고 거래할 수 있음을 보여주기 위해 이 예를 제공했습니다.
가장 자주 사용되는 SB 클래스를 설명합니다. 다음은 영어 Wikipedia에서 가져온 것입니다(러시아어는 일시적으로 폐쇄됨):
정규분포 에 따라 스텝 크기가 달라지는 랜덤 워크는 금융 시장과 같은 실제 시계열 데이터의 모델로 사용됩니다. 예를 들어, 옵션 가격을 모델링하기 위한 블랙-숄즈 공식은 기본 가정으로 가우스 랜덤 워크를 사용합니다.
사실 확률변수의 증분에 어떤 분포(정규, 균일 등)가 있다고 해서 확률변수 자체가 같은 분포를 갖는다는 의미는 아니라는 것을 설명하려고 했습니다. 그리고 그 딸기밭도 아닙니다 :)
고전적인 동전(즉, 균일하게 분포된 이산 걷기 값)은 120단계에서 이미 이상적인 이산화 정규 분포에서 무한한 수의 구현을 제공합니다. 갈튼 보드를 기억하십시오 ...)
그리고 정규 분포 연속 증분으로 프로세스를 Wiener라고 부를 수 있습니다. 그리고 Brownovsky 다리에 이미 돌을 던질 수 있습니다.
;)
참고로 (18)은 청구 기간의 단위당 가격이 증가하면서 작동하고 매번 다시 계산되는 조건부 상수 구성 요소를 추가하여 가격 자체로 이동합니다.
선형 회귀 와의 차이점을 간략하게 설명합니다 ...
선형 회귀와 어떻게 다른지 간략하게 설명하십시오 ...
이와 관련하여 http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81 % D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C, 가능 지점 이름을 변경하시겠습니까?:
수학적 모델과 회귀 모델은 구별됩니다. 수학적 모델은 알려진 규칙성을 설명하는 함수 구성에 분석가의 참여를 가정합니다. 수학적 모델은 해석 가능하며 연구 중인 규칙성의 프레임워크 내에서 설명할 수 있습니다. 수학적 모델을 구성할 때 먼저 매개변수 함수 패밀리가 생성된 다음 측정된 데이터를 사용하여 모델이 식별되어 매개변수를 찾습니다. 설명 변수와 응답 변수의 잘 알려진 기능적 종속성은 수학적 모델링과 회귀 분석 의 주요 차이점입니다.
수학적 모델링의 단점은 측정된 데이터를 검증용으로 사용하지만 모델 구축용으로 사용하지 않아 부적절한 모델을 얻을 수 있다는 점이다. 또한 많은 수의 서로 다른 요인이 상호 연결되어 있는 복잡한 현상의 모델을 얻기가 어렵습니다.
회귀 모델은 일부 규칙성을 설명하는 광범위한 범용 함수 클래스를 결합합니다. 동시에, 측정된 데이터는 연구 중인 패턴의 속성에 대한 지식보다는 주로 모델을 구축하는 데 사용됩니다. 이러한 모델은 종종 해석할 수 없지만 더 정확합니다. 이는 최적의 모델을 구축하는 데 사용되는 후보 모델의 수가 많거나 모델의 복잡성이 높기 때문입니다. 회귀 모델의 매개변수를 찾는 것을 모델 훈련이라고 합니다.
회귀 분석의 단점: 복잡성이 너무 적은 모델은 부정확할 수 있고 복잡성이 너무 많은 모델은 과적합될 수 있습니다.
회귀 모델의 예: 선형 함수, 대수 다항식, Chebyshev 급수, 피드백이 없는 신경망(예: Rosenblatt의 단일 레이어 퍼셉트론, 방사형 기저 함수 등).
회귀 및 수학적 모델은 일반적으로 연속 매핑을 정의합니다. 연속성 요구 사항은 해결되는 문제의 등급에 따라 결정됩니다. 대부분의 경우 연속성 요구 사항이 자연스럽게 설정되는 물리적, 화학적 및 기타 현상에 대한 설명입니다. 때때로 매핑은 단조성, 부드러움, 측정 가능성 등의 제한을 받습니다. 이론적으로 아무도 임의 유형의 함수로 작업하는 것을 금지하지 않으며 모델에 중단점의 존재를 허용할 뿐만 아니라 자유 변수의 유한하고 정렬되지 않은 값 집합을 설정하는 것, 즉 회귀 문제를 분류 문제로 바꾸는 것 .
회귀분석의 문제를 풀 때 다음과 같은 질문이 생긴다.
모델의 유형과 구조를 선택하는 방법, 어떤 패밀리에 속해야 합니까?
데이터 생성 가설은 무엇이며 확률 변수의 분포는 무엇입니까?
근사의 품질을 평가하는 목적 함수는 무엇입니까?
모델의 매개변수를 찾는 방법, 매개변수를 최적화하기 위한 알고리즘은 무엇이어야 합니까?
선형 회귀는 시간에 대한 가격의 선형 의존성이 있다고 가정할 때 적용되며, 이는 일반적인 경우에는 명확하게 관찰되지 않지만 선형 의존성은 제한된 시간 간격으로 때때로 나타날 수 있지만 이 가정을 적용하려는 시도 앞으로 상당한 편차를 초래할 것입니다. 따라서 RMS를 포함하는 비선형 회귀를 적용해야 하며 앞서 설명한 것처럼 선형 회귀의 경우를 모호하지 않게 다룹니다.
정말 비선형? 감마 함수에 대한 회귀? 아니면 여전히 선형이지만 직선이 아니라 감마 기능이 있습니까?
어쨌든 Yusuf, 당신은 아무것도 발견하지 못했습니다. 수학은 회귀, 선형, 비선형, 직선 및 다른 기능을 알고 있습니다.