Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3082

 
Maxim Dmitrievsky #:
Você também é terapeuta por profissão? Não, sou terapeuta em tempo integral.

Sim, estou procurando clientes, gostaria de se inscrever?

Na verdade, você não aceita críticas. Você viu algo semelhante ao que faz, filtrando partes incômodas da amostra, o que, em sua opinião, deu cientificidade à sua abordagem e agora está defendendo-a. Uma das maneiras de defendê-la é atacando-a, menosprezando e insultando seu oponente. Admito que há progresso nessa questão - você se tornou mais contido - e posso até elogiá-lo por isso.

Ao mesmo tempo, minha proposta sobre atividade conjunta, ou seja, uma proposta construtiva com o objetivo de enriquecer o conhecimento sobre o assunto em estudo, você chama de distração do tópico.

Qual é o tema deste tópico - demonstrar a beleza e a singularidade das mentes dos participantes individuais? Em outras palavras, você acha que é tagarelar em vez de buscar a verdade?

 
Maxim Dmitrievsky #:
Sou muito claro sobre o que estou escrevendo, caso contrário, não escreveria. Você não tem. Pare de se debater, você é irritante.
.
Estude o material e depois discutiremos. Se você não conseguir, não ficarei chateado. Mastigar o material e colocá-lo em sua boca é para outras pessoas.

Maxim, joguei a tradução anterior que consegui obter. Com ela, falando francamente, cheguei a conclusões semelhantes às de SanSanych Fomenko. Admito que se trata de uma tradução distorcida, pois muitas coisas ali soam estranhas e, em seguida, são tratadas por amostragem e, depois, encaixadas nos indicadores ....

É por isso que sugiro que você explique o que ninguém entendeu, com suas próprias palavras, pelo menos com essas palavras. Talvez depois disso eu perceba as informações escritas de forma diferente.

Aqui está um trecho da tradução, está tudo claro?


 
СанСаныч Фоменко #:

Isso não está no artigo.

O ajuste usual com diferentes divisões dos preditores originais, incluindo validação cruzada, é descrito. Uma rotina que foi camuflada com palavras.

Tenho uma pergunta para os conhecedores de aprendizado de máquina. Se eu usar os dados de um personagem para treinamento, os dados de outro personagem para validação e os dados de um terceiro personagem para teste, essa é uma boa prática?

Além disso, estou obtendo os seguintes resultados dos dados de teste: células verdes são muito boas, células amarelas são boas, células vermelhas são médias.


E também uma pergunta sobre a modificação dos dados para treinar o modelo. Percebi que o modelo tem dificuldade para encontrar extremos, no meu caso, valores acima de 60 e valores abaixo de 40.
Assim, encontro valores acima de 60 e abaixo de 40 nos dados de treinamento, que adicionalmente adiciono novamente aos dados de treinamento antes de inseri-los no modelo. A pergunta é: posso melhorar a precisão do modelo aumentando os dados de treinamento que contêm informações sobre os extremos?

inputs_unique, indices = np.unique(inputs, axis=0, return_index=True)
outputs_unique = outputs[indices]

#  Find indices where outputs_unique values are greater than 60
indices_greater_than_60 = np.where(outputs_unique > 0.6)

#  Get the corresponding inputs_unique and outputs_unique values
filtered_inputs_greater = inputs_unique[indices_greater_than_60]
filtered_outputs_greater = outputs_unique[indices_greater_than_60]

#  Add filtered_inputs values to inputs_unique
inputs_unique = np.concatenate((inputs_unique, filtered_inputs_greater), axis=0)
#  Add filtered_outputs values to outputs_unique
outputs_unique = np.concatenate((outputs_unique, filtered_outputs_greater), axis=0)

#  Find indices where outputs_unique values are smaller than 40
indices_smaller_than_40 = np.where(outputs_unique < 0.4)

#  Get the corresponding inputs_unique and outputs_unique values
filtered_inputs_smaller = inputs_unique[indices_smaller_than_40]
filtered_outputs_smaller = outputs_unique[indices_smaller_than_40]

#  Add filtered_inputs values to inputs_unique
inputs_unique = np.concatenate((inputs_unique, filtered_inputs_smaller), axis=0)
#  Add filtered_outputs values to outputs_unique
outputs_unique = np.concatenate((outputs_unique, filtered_outputs_smaller), axis=0)
 
Chapter 1 Introduction | An R Companion for Introduction to Data Mining
  • Michael Hahsler
  • mhahsler.github.io
1.1 Used Software This companion book assumes that you have R and RStudio Desktop installed and that you are familiar with the basics of R, how to run R code and install packages. If you are new...
 

 
Lilita Bogachkova #:

Tenho uma pergunta para os especialistas em aprendizado de máquina. Se eu usar os dados de um personagem para treinamento, os dados de outro personagem para validação e os dados de um terceiro personagem para teste, essa é uma boa prática?

Em resumo, NÃO.

Você treina o modelo para reconhecer melancias, testa em maçãs, valida em...

 
Lilita Bogachkova #:

Tenho uma pergunta para os especialistas em aprendizado de máquina. Se eu usar os dados de um personagem para treinamento, os dados de outro personagem para validação e os dados de um terceiro personagem para teste, essa é uma boa prática?

Tente usar o mesmo símbolo com ruído adicionado.

 
Rorschach #:

Tente usar o mesmo caractere com ruído adicional.

Acho que é melhor mudar o tempo se não for ticks,

o ruído distorce os dados, e o ruído tem parâmetros e não está claro quais escolher e, em geral, por que não fazer citações de ruído como fiz recentemente?

 
Maxim Dmitrievsky #:

Para transformar parâmetros incômodos em funções, você pode usar os valores de saída do RF ou de qualquer algoritmo básico, como no artigo. Para os completamente desinformados: substitua os valores dos parâmetros selecionados por valores de função. Então, a regressão linear (ou qualquer outro algoritmo) será o meta lerner por meio do qual o efeito do tratamento é avaliado. Por que e como tudo isso funciona - aprenda a matemática.

Para entendê-la, basta começar a pensar com sua cabeça. Mas Sanych começará a fazer bobagens novamente, porque ele só quer dizer algo sem pensar. Sanych, sua falta de compreensão é tão grande que você cita os parâmetros de RF como algum tipo de prova, o que é absolutamente inacreditável. Já lhe escrevi três vezes: esqueça a RF. Pela última vez: estude o assunto e depois discurse. Caso contrário, as mesmas pessoas ignorantes acreditarão cegamente em você.

E não responda às minhas postagens com a desenvoltura de um sabe-tudo (o que é irritante), porque você não sabe nada, e isso parece o delírio de um ptuschnik.

Todas as referências a fontes são fornecidas no artigo. Vocês precisam ser cutucados a cada palavra como gatinhos cegos? Ou, afinal, vocês são adultos?

É você quem está citando outra coisa....

Treinamos bem o modelo, pegamos preditores espontâneos e os substituímos pelos valores previstos pelo modelo e, em seguida, treinamos o modelo novamente. Comparamos o resultado por meio do RMSE para modelos/dados de regressão. Se o resultado melhorar, então os preditores substituídos mudaram suas propriedades durante o período de treinamento, ou o quê?

 
Lilita Bogachkova #:

Tenho uma pergunta para os especialistas em aprendizado de máquina. Se eu usar os dados de um personagem para treinamento, os dados de outro personagem para validação e os dados de um terceiro personagem para teste, essa é uma boa prática?

Além disso, obtenho os seguintes resultados dos dados de teste: as células verdes são muito boas, as amarelas são boas e as vermelhas são médias.

Não sou um especialista, mas vou compartilhar minhas ideias.

Poucas pessoas conseguem obter um modelo que seja executado com sucesso em diferentes caracteres. Portanto, pode ser considerada uma boa conquista se esse for de fato o caso. Presumo que o modelo veja padrões que são probabilisticamente realizados de forma igual.

Lilita Bogachkova #:

E também uma pergunta sobre a modificação dos dados para treinar o modelo. Percebi que o modelo tem dificuldade para encontrar extremos, no meu caso, valores acima de 60 e valores abaixo de 40.
Assim, encontro valores acima de 60 e abaixo de 40 nos dados de treinamento, que adicionalmente adiciono novamente aos dados de treinamento antes de inseri-los no modelo. A pergunta é: é possível melhorar a precisão do modelo aumentando os dados de treinamento que contêm informações sobre extremos?

Se você adicionar mais amostras, o modelo poderá encontrar um padrão unificador nelas, se ele estiver presente no prisma dos preditores usados.