Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3617

Новый комментарий
 
mytarmailS #:

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 :)

Рекурсивный отбор делал, тоже не находит.
Ошибка ни в какую не падает на вале. Как будто а датасете нет связей. Но они должны быть :)

Это как раз ситуация отчаяния, когда люди начинают пытать козул.
 
Maxim Dmitrievsky #:
Признаки отбирал. На разных кол-вах данных выбирает разные, плюс при разных сочетаниях важность плавает. Значит все - мусор :)

Рекурсивный отбор делал, тоже не находит.
Ошибка ни в какую не падает на вале.

попробуй бутстрапом

 
mytarmailS #:

попробуй бутстрапом

Тогда случайно могу попасть в валидацию, а в тест уже не впишусь
 
Maxim Dmitrievsky #:
Признаки отбирал.

пробуй правила из деревяной МО повыбирать лучшые, как давно я делал помнишь?

 
mytarmailS #:

пробуй правила из деревяной МО повыбирать лучшые, как давно я делал помнишь?

Что-то помню такое. Посмотрим, ближе к выходным забурюсь на сутки опять, много чего проверю. Может придет озарение 
 

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?
 
mytarmailS #:
Ето реальные библиотеки или галюцинации гопоты?

Реальные, юзал уже

Прадо в своих примерах использует. Про остальные не знаю.

Software for Complex Networks#
  • networkx.org
Software for Complex Networks# Release Date NetworkX is a Python package for the creation, manipulation, and study of the structure, dynamics, and functions of complex networks. It provides: With NetworkX you can load and store networks in standard and nonstandard data formats, generate many types of random and classic networks, analyze network...
 

Такие графы в его датасете

Только с отличием, что в них есть два узла X и Y и промежуточные узлы

DAG - Topological Layout#
  • networkx.org
DAG - Topological Layout# This example combines the generator with to show how to visualize a DAG in topologically-sorted order. Total running time of the script: (0 minutes 0.107 seconds)
 
Ну и графовые нейронки, часто на базе сверточных слоев, тоже имеются. Типа такой вчера обучал.
1...361036113612361336143615361636173618361936203621
Новый комментарий