Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3617
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
1) пробуй разные МОшки (например в моем конкурсе деревяные МО вообще не работали, работали только функциональные МО : SVM, нейронки, линейка)
2) не подавай все признаки кучей, а ищи лучшый поднабор признаков, на практике до 3-7 штук выходит
можно на 1000 признаках получить 0.8 , а на 5-ти признаках 0.1
Признаки отбирал. На разных кол-вах данных выбирает разные, плюс при разных сочетаниях важность плавает. Значит все - мусор :)
попробуй бутстрапом
попробуй бутстрапом
Признаки отбирал.
пробуй правила из деревяной МО повыбирать лучшые, как давно я делал помнишь?
пробуй правила из деревяной МО повыбирать лучшые, как давно я делал помнишь?
Те же самые признаки нет смысла брать с потолка, потому что есть специализированные алгоритмы:
1. Поиск частых подграфов (Frequent Subgraph Mining):
Эти алгоритмы ищут подграфы, которые часто встречаются в наборе графов. Популярные алгоритмы включают:
- gSpan
- FSG (Frequent Subgraph Discovery)
- FFSM (Fast Frequent Subgraph Mining)
2. Поиск схожих графов (Graph Similarity Search):
Эти методы ищут графы, похожие друг на друга в наборе. Используются различные меры сходства графов, такие как:
- Редакционное расстояние графов
- Максимальное общее подграфовое изоморфное соответствие
- Ядерные методы для графов
3. Обнаружение аномалий в графах:
Эти алгоритмы ищут необычные или аномальные структуры в наборе графов:
- Алгоритмы, основанные на плотности
- Методы, основанные на случайных блужданиях
- Спектральные методы
4. Классификация и кластеризация графов:
Эти методы группируют похожие графы или классифицируют их по заданным категориям:
- Графовые ядра
- Графовые нейронные сети
- Спектральная кластеризация графов
5. Обнаружение мотивов в графах:
Эти алгоритмы ищут повторяющиеся структурные паттерны (мотивы) в графах:
- FANMOD
- NeMoFinder
- MODA
6. Анализ эволюции графов:
Эти методы изучают, как графы изменяются со временем:
- Алгоритмы обнаружения изменений в динамических графах
- Предсказание эволюции графа
Ето реальные библиотеки или галюцинации гопоты?
Реальные, юзал уже
Прадо в своих примерах использует. Про остальные не знаю.
Такие графы в его датасете
Только с отличием, что в них есть два узла X и Y и промежуточные узлы