내 가장 가까운 이웃 지표에 대한 코드베이스를 검색합니다. 방법은 매우 간단합니다. 현재 패턴의 길이를 설정하고, 기록에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 개별 예측에 가중치를 주어 과거 패턴에서 미래 가격 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴에서 유사한 과거 패턴까지의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. 위에서 언급한 GRNN과 예측 방법에 대해 많이 작성되었지만 모두 하나의 간단한 공식으로 귀결됩니다.
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축을 따라 왜곡을 고려한다면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축에 따른 왜곡을 고려 하면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
합류 분석을 고정하려고 했습니까? 저것들. 함수는 가격 대 시간 p = x(i)가 아니라 2차원 f = z(i, p)여야 합니다. 거리 d는 두 좌표에서 고려됩니다. 그리고 다른 공식은 동일합니다.
백분위수를 사용할 수도 있습니다. 계산이 더 쉽고 더 많은 데이터가 필요하므로 놀라움이 없습니다...
파기할 방향을 제시함)). 할 수 있는 일이 많지만...
백분위수에 대해 읽어보겠습니다. 감사합니다.)
확률이 50%에 가깝다는 이야기가 있습니다. :)
정확히 무엇? 어떤 느낌
확실히 경험. :)
오 얼마나 많은 놀라운 발견이 있습니까?
깨달음의 정신을 준비하라
그리고 경험, 어려운 실수의 [아들],
그리고 천재, [역설] 친구,
[그리고 기회, 신의 발명가]
내 가장 가까운 이웃 지표에 대한 코드베이스를 검색합니다. 방법은 매우 간단합니다. 현재 패턴의 길이를 설정하고, 기록에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 개별 예측에 가중치를 주어 과거 패턴에서 미래 가격 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴에서 유사한 과거 패턴까지의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. 위에서 언급한 GRNN과 예측 방법에 대해 많이 작성되었지만 모두 하나의 간단한 공식으로 귀결됩니다.
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축을 따라 왜곡을 고려한다면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
이곳은 개가 묻힌 곳입니다.
나는 이미이 개를 먹었습니다. 질문은 이제 다릅니다. Mb 올바르게 설정되지 않았습니다. :)
그러나 당신은 매우 흥미로운 출판물을 가지고 있습니다. 감사합니다. 한 번 살펴 보겠습니다.
시간 축에 따른 왜곡을 고려하면(즉, 과거 패턴이 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
이 진술의 결과로 - 이 개는 컴퓨팅 리소스 의 양의 제한 때문에 현재 열려 있지 않습니다.
이것은 모순처럼 보입니다. 컴퓨팅 리소스가 몇 개라도 있으면 어떤 개라도 파헤칠 수 있습니다. 마찬가지로 모든 문제에 대한 솔루션은 사용 가능한 컴퓨팅 리소스의 양에만 의존합니다.
일반적으로 논리를 가볍게 말하면 이상합니다. 따라서 그들이 "개가 거기 묻혀있다"고 말할 때 순간의 계산적 해결 불가능성에 대해 간접적으로 불평하면 우리는 단순히 거기에 개가 없다고 말할 수 있습니다.
이 진술의 결과로 - 이 개는 컴퓨팅 리소스 의 양의 제한 때문에 현재 열려 있지 않습니다.
이것은 모순처럼 보입니다. 컴퓨팅 리소스가 몇 개라도 있으면 어떤 개라도 파헤칠 수 있습니다. 마찬가지로 모든 문제에 대한 솔루션은 사용 가능한 컴퓨팅 리소스의 양에만 의존합니다.
일반적으로 논리를 가볍게 말하면 이상합니다. 따라서 그들이 "개가 거기 묻혀있다"고 말할 때 순간의 계산적 해결 불가능성에 대해 간접적으로 불평하면 우리는 단순히 거기에 개가 없다고 말할 수 있습니다.
이것은 모두 아핀 변환을 통해 수행됩니다. 여기에서 리소스는 최소화됩니다. 올바른 접근 방식으로
이것은 모두 아핀 변환을 통해 수행됩니다. 여기에서 리소스는 최소화됩니다. 올바른 접근 방식으로
성배 가 작동하지 않았습니다. 유능한 접근 방식이 없었습니다!
이 말이 인기 있는 이유는 무엇입니까?
성배가 작동하지 않았습니다. 유능한 접근 방식이 없었습니다!
이 말이 인기 있는 이유는 무엇입니까?
글쎄, 악마는 항상 세부 사항에 있습니다 .. Grail 은 필요하지 않지만 최소한 유용한 것입니다 :)
문제는 사람들이 자신이하는 일을 이해하지 못한다는 것입니다. 제 생각에는 .. 그리고 왜
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축에 따른 왜곡을 고려 하면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.