Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 815

Novo comentário
 
Maxim Dmitrievsky:

Agora pegue a estimativa histórica de cada preditor byssel/hold, converta-a em uma estimativa de probabilidade.

tomar vários preditores, fazer o mesmo para cada um

encontrar probabilidades condicionais de lucro sobre um conjunto de características

e depois coloca-lo em NS ou conjuntos difusos como neste exemplo

A estimativa média flutuará em torno de 0,5 para cada preditor, mas as maravilhas da abordagem Bayesiana levarão os totais a um nível aceitável

é em teoria :)

Em todos os modelos de classificação que eu conheço, o resultado pode ser ordenado como uma classe, ou pode ser ordenado como uma probabilidade de classe. Normalmente esta probabilidade é dividida ao meio para as duas classes. Mas há um programa que divide essa probabilidade não pela metade, mas por algumas outras considerações.

 
Vizard_:

)))

Wizard_, li atentamente as suas mensagens

Explique as fotos, o que se passa?

 
SanSanych Fomenko:

Em todos os modelos de classificação que eu conheço, o resultado pode ser ordenado como uma classe, ou pode ser ordenado como uma probabilidade de classe. Normalmente esta probabilidade é dividida ao meio para as duas classes. Mas há um programa que divide essa probabilidade não pela metade, mas por algumas outras considerações.

Sim, a regressão logística é chamada de ))

 
Maxim Dmitrievsky:

Sim, a regressão logística é chamada de ))

Não, quero dizer.

CORElearn::calibrate()

Dadas as pontuações de probabilidade previstasProb como fornecidas, por exemplo, por uma chamada para predizer.CoreModel

e usando um dos métodos disponíveis dados por métodos, a função calibra as probabilidades previstas

para que coincidam com as probabilidades reais de uma classe binária 1 fornecida pela classe correcta.

calibrate(correctClass, predictedProb, class1=1,
method = c("isoReg","binIsoReg","binning","mdlMerge"),
weight=NULL, noBins=10, assumeProbabilities=FALSE)


PS.

Há muitas regressões que têm uma classe como saída.

O mais famoso e relativamente simples é o glm().


VER .

Na verdade, é altamente desejável que os cargos fossem mais específicos, com referência à fonte original, e melhor, a funções específicas.

 
Vizard_:

Fa, tens andado a foder há anos. glm(.~.....,família = "binómio")
logísticas))) Larga tudo, porra. Só Doc e Toxic são adequados neste fio...

O que é que o Toxic disse uma vez na sua vida que de repente ficou são?

Ele não escreve nada.

O coco é totalmente inadequado e perdido, e tu também estás.

 
Vizard_:

Só Doc e Toxic são adequados neste fio...

Apenas Tóxico

 
Não me ponhas de parte. Não sei nada......
 
Vizard_:

Fa, tens andado a mentir há anos. glm(.~.....,família = "binomial") é
logistic)) Larga tudo, porra. Só Doc e Toxic são adequados neste fio...

Cidadão com a máscara, fique embaixo do banco e antes de postar besteiras:

  • li que o meu post é sobre calibração, para a qual tenho a ferramenta que mencionei, não sobre regressão logística
  • Deixa o que estás a fazer e lê o anexo, talvez te cales durante alguns anos nas alegrias de uma variedade de regressões logísticas. Depois de lê-lo, esclareça-se aqui sobre como usar regressões logísticas para calibrar classes.
Há mais a esta ideia no anexo

Arquivos anexados:
kk0hw_lvr9elz_GLM.zip  199 kb
 

A mensagem deste fio não tem sentido, porque cada um tem um modelo diferente. A única coisa que une os participantes é a integração de ferramentas externas com o MQL5. Tenho um conversor de Spark Random Forest para o formato Alglib (MQL5). Eu tenho uma boa idéia para postar sobre integração, seria útil para todos.

P.s. Eu prefiro Git

 
(Faz muito sentido. ) Há algumas coisas interessantes aqui. Só que já não é realista ler o tópico todo.
1...808809810811812813814815816817818819820821822...3399
Novo comentário