Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 18
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Fikir kategorisinden:
Aşağıdaki sistemi tamamen MQL4'te oluşturmaya çalıştım:
bir girdi vektörü oluşturdu (sadece gecikmeli fiyatlar arasındaki fark)
ideal girişler ve çıkışlar oluşturdu (birçok yöntem var, hoşuma gideni aldım)
Bütün bunlar 5 dakikalık, örneğin barlar.
Ardından, her yeni çubukta diziyi doldurdum ve buna ek olarak, geçmişten gelen benzer kalıpları bulmaya çalıştım ve çok boyutlu değişken yarıçaplı bir küredeki alım satım girişlerinin yüzdesini saydım. Bu şey çok uzun zamandır test edildi. Sonuçlar kararsızdı.
Böyle bir çalışmayı R'de bir şekilde tekrar denemek isterim. Yani Öklid mesafesine göre bir giriş ve çıkış arayışıdır.
Küme biraz farklı, diyelim ki şimdi pazar 5 numaralı kümeye tekabül ediyor, bir sonraki mum zaten 18 numaralı küme olacak, bu bize hiçbir şey vermeyecek çünkü 5 numaralı kümeyi ticarete ayıracak vaktimiz olmayacak ve SMM'de bir devlet kavramı vardır, devlet bir süre sürebilir
Ya da belki fikrini anlamadım?
Fikir kategorisinden:
Aşağıdaki sistemi tamamen MQL4'te oluşturmaya çalıştım:
bir girdi vektörü oluşturdu (sadece gecikmeli fiyatlar arasındaki fark)
ideal girişler ve çıkışlar oluşturdu (birçok yöntem var, hoşuma gideni aldım)
Bütün bunlar 5 dakikalık, örneğin barlar.
Ardından, her yeni çubukta diziyi doldurdum ve buna ek olarak, geçmişten gelen benzer kalıpları bulmaya çalıştım ve çok boyutlu değişken yarıçaplı bir küredeki alım satım girişlerinin yüzdesini saydım. Bu şey çok uzun zamandır test edildi. Sonuçlar kararsızdı.
Böyle bir çalışmayı R'de bir şekilde tekrar denemek isterim. Yani Öklid mesafesine göre bir giriş ve çıkış arayışıdır.
Bir dizinin uzun dizileri kümelenir (en az 100 mum). Bu uzun dizilere dayalı olarak bir sürü giriş yapabilirsiniz. Ve bir noktada sistem, küme 5'ten küme 45'e hareket eder, ancak tabiri caizse sorunsuz gerçekleşir.
Ve R uzmanları için başka bir soru
kitaplık (kza)
DAT <- norm(1000)
KZP <- kzp(DAT,m=100,k=3)
özet(KZP, basamak=2 , üst=3)
bu rakamlarla çalışabilmem için bunu "özet"ten nasıl çıkarabilirim http://prntscr.com/bhtlo9
Bugün yordayıcı seçme işlevinizi test etmeye çalışıyorum, r-blogger'lar hakkında bir makale okumaya çalıştım ama İngilizce bilmediğim için. Gerçekten hiçbir şey anlamadım, bu seçim yönteminin özü nedir, nasıl çalışıyor, anlaşılır bir dille bana açıklar mısınız?
Tamamen sezgisel olarak ve ilk test sonuçlarına dayanarak, bu yöntemin ana bileşen yöntemine çok benzediğinden ve hatta belki de aynı olduğundan şüpheleniyorum...
ilk testte 30 tahmin ediciden oluşan bir örnek vardı, eğitilmiş RF hatası çıktı Doğruluk: 0.6511
sonra yönteminle bir seçim yaptın
14 tahminci çıktı hata çıktı Doğruluk : 0.6568
aslında, tahmin edicilerin yarısını ayıkladık ve tahmin sonucunu biraz geliştirdik, ki bu fena değil
Diğer veri kümelerini deneyeceğim ...
Ve başka bir soru, neden aynı veriler çıngıraklara yüklenirse, test verilerinde hata% 3-6'dır, bunu nasıl anlayabilirim?
Öyle bir şey var ki, 100 mumluk bir dizi üzerinde bir küme yaparsak, bunun 5 numaralı kümenin 101 mum üzerinde 5 numaralı küme olduğunu, yani 100 mum üflediğini öğreneceğiz) ve SMM'de, 45 numaralı kümede olmak, olasılığın ne olduğunu zaten biliyoruz, 5 numaralı kümeye geçeceğiz
Bugün yordayıcı seçme işlevinizi test etmeye çalışıyorum, r-blogger'lar hakkında bir makale okumaya çalıştım ama İngilizce bilmediğim için. Gerçekten hiçbir şey anlamadım, bu seçim yönteminin özü nedir, nasıl çalışıyor, anlaşılır bir dille bana açıklar mısınız?
Tamamen sezgisel olarak ve ilk test sonuçlarına dayanarak, bu yöntemin ana bileşen yöntemine çok benzediğinden ve hatta belki de aynı olduğundan şüpheleniyorum...
ilk testte 30 tahmin ediciden oluşan bir örnek vardı, eğitilmiş RF hatası çıktı Doğruluk: 0.6511
sonra yönteminle bir seçim yaptın
14 tahminci çıktı hata çıktı Doğruluk : 0.6568
aslında, tahmin edicilerin yarısını ayıkladık ve tahmin sonucunu biraz geliştirdik, ki bu fena değil
Diğer veri kümelerini deneyeceğim ...
Ve başka bir soru, neden aynı veriler çıngıraklara yüklenirse, test verilerinde hata% 3-6'dır, bunu nasıl anlayabilirim?
1. Kullanılan, bazı modifikasyonlarla ana bileşenler yöntemidir.
2. Bu yöntemi uygulamanın ana fikri, tahminin doğruluğunu artırmak değildir. Ana fikir, elde edilen tahmin doğruluğunun gelecekte yaklaşık olarak aynı kalacağıdır. Pratikte ve bunu test edenlerden biliyoruz, optimizasyon yoluyla Uzman Danışmanlardan inanılmaz veriler elde etmek neredeyse her zaman mümkündür. Ancak gelecekte sıkıcı bir monotonlukla bu kâseler depoyu boşaltır. Bunun nedeni, eğitim sırasında danışmanın gelecekte tekrarlanmayacak bazı ayrıntıları yakalamasıdır. Bu tür ayrıntılar, hedef değişkenle ilgili olmayan öngörücüler olduğu için özellikle uygundur, yani. gürültü, ses. Bir modeli R'ye optimize ederken veya sığdırırken, bu gürültüden performansı önemli ölçüde artırabilecek bazı değerleri her zaman seçebilirsiniz. Ancak gelecekte bu olmayacak ve danışman birleşecek.
Bu nedenle, bir kez daha: eğitim setinde ve gelecekteki alıntılarda modelin performansındaki farklılıkları ortadan kaldırmanıza izin veren bir araç kullanıyorsunuz. Bana göre, ancak yeniden eğitim sorununu çözerek yolumuza devam edebiliriz.
3. %10'dan az ve hatta %5'ten fazla bir hata, modelin fazla uydurma olduğunun açık bir kanıtıdır. Ve modelin fazla uydurması, modelin kendisinden değil, bir dizi girdi öngörücüsünden kaynaklanmaktadır.
3. %10'dan az ve hatta %5'ten fazla bir hata, modelin fazla uydurma olduğunun açık bir kanıtıdır. Ve modelin fazla uydurması, modelin kendisinden değil, bir dizi girdi öngörücüsünden kaynaklanmaktadır.
Soru, aynı veri ve aynı model üzerinde R ve çıngırakta farklı sonuçların neden farklı olduğu değil.
İkinci soru: Eğer şeytanı gösteriyorsa, "örnek dışı" modeli çıngırak için kontrol etmenin anlamı nedir?
Soru, aynı veri ve aynı model üzerinde R ve çıngırakta farklı sonuçların neden farklı olduğu değil.
İkinci soru: Eğer şeytanı gösteriyorsa, "örnek dışı" modeli çıngırak için kontrol etmenin anlamı nedir?
Muhtemelen r ve çıngıraklı ormanlar oluşturmak için farklı parametreleriniz vardır, bu nedenle sonuçlar farklıdır. Çıngırakta, ağaç ve değişkenlerin sayısını da değiştirebilirsiniz.
Ve eğitim verilerindeki tıkırtıda %34 ve test verilerinde %3 hata mı var? Test verilerinde bir yanlışlık var, ya bir şekilde eğitim verilerinde zaten var ya da çok küçük bir veri kümeniz var ve bu böyle oldu.