Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 96
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Os dados das pétalas de íris não são um sinal, esta tabela não é adequada para um teste de previsão. Apenas uma série temporal é adequada para um lote, onde você recebe novos valores em determinados intervalos e os combina em um vetor. Por este motivo, não é possível modificar a ordem das linhas na tabela de dados para previsão. E você não pode remover aleatoriamente algumas linhas para validação, tudo deve estar em ordem estrita - primeiro dados para treinamento, depois dados para validação. Sem amostra.
A melhor coisa a fazer com a íris é usar o número máximo de componentes min(dim(dt.forec.dt)) = 14, mas acho que a precisão ainda estará abaixo dos 100%.
A melhor coisa a fazer com a íris é usar o número máximo de componentes min(dim(forec.dt)) = 14, mas acho que a precisão ainda estará abaixo dos 100%.
Os dados das pétalas de íris não são um sinal, esta tabela não é adequada para um teste de previsão. Somente as séries temporais são adequadas para um lote, onde você recebe novos valores em determinados intervalos, e os combina em um vetor. Por este motivo, não é possível modificar a ordem das linhas na tabela de dados para previsão. E você não pode remover aleatoriamente algumas linhas para validação, tudo deve estar em ordem estrita - primeiro dados para treinamento, depois dados para validação. Sem amostra.
A melhor coisa a fazer com a íris é usar o número máximo de componentes min(dim(dt.forec.dt)) = 14, mas acho que a precisão ainda estará abaixo dos 100%.
Acho que o posto sobre íris é muito importante.
A questão é que o rf é fenomenalmente propenso ao sobretreinamento.
E aqui acontece que o ForeCA não tem tal propensão. Então é um pacote muito útil.
Acho o post sobre íris muito importante.
O facto é que o rf é fenomenalmente propenso ao excesso de aprendizagem.
E aqui acontece que a ForeCA não tem essa tendência. Então é um pacote muito útil.
Mesmo com sobretreinamento, se você adicionar 10 colunas com valores aleatórios a 4 preditores para íris, a floresta ainda prevê novos dados com quase 100% de precisão. Estou surpreendido, e feliz por a floresta ter corrido bem. Nunca fiz tal experiência antes, vou tê-la em mente para o futuro.
Pela minha parte, chamei todos os preditores de ruído com previsibilidade ~ 1% (tanto o comprimento do lóbulo como os preditores a partir de valores aleatórios), e tentei extrair algum sinal de tudo isso. Acho que é inútil extrair sinal de lugares onde não deveria haver nenhum, esta experiência não diz nada à previsão.
Quais são os seus resultados com a BP lá?
O modelo ainda está a aprender. Provavelmente já alimentei demasiados dados, mas não quero cancelá-los, deixá-los funcionar até ao fim, vou deixá-los. Depois escrevo sobre os resultados quando tudo acabar.
Eu certamente não quero me adiantar, mas Reshetov fez uma coisa tão legal no novo release.... . Não devias estar a criticá-lo.....
Conversa fixe sobre coisas fixes...
E veremos pelo menos uma comparação com o geralmente aceite e comummente conhecido e reconhecido?
Conversa fixe sobre coisas fixes...
Será que veremos sequer uma comparação com o geralmente aceite e comummente conhecido e reconhecido?
Embora a floresta se retraia, se adicionarmos mais 10 colunas com valores aleatórios aos 4 preditores Iris, a floresta ainda prevê os novos dados com quase 100% de precisão. Estou surpreendido, e feliz por a floresta ter corrido bem. Eu próprio não fiz tal experiência, vou tê-la em mente para o futuro.
Sim, eu próprio estou surpreendido por ter ignorado tão brilhantemente o ruído e diferenciado dos preditores, também nunca o fiz, foi curioso....
Então até hoje eu não tinha absolutamente nenhuma confiança na função importense...
mas fez-me acreditar nisso.