Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 51

 
Michael Marchukajtes :
Selamlar!!!! LibVMR kullanıyorum Ama eski sürümü görüyorum çünkü "Kötü Veri" hatası çöküyor. Yeni bir sürüm olduğunu anlıyorum. nereden indirebilirim??? Eğer mümkünse??

Onlara taze ve ham olarak şu bağlantıdaki BitBucket deposu aracılığıyla dağıtılır: https://bitbucket.org/jprediction/jprediction/downloads

Proje adı da libVMR'den jPrediction'a değiştirildi

 
Yuri Reshetov :

Pek net değil mi? Kalıplar veya dönüşümleri için fiyatları OHLC biçiminde alıyor musunuz?

Gerçek şu ki, OHLC'yi olduğu gibi alırsak, o zaman benzer bir model, ancak karşılaştırılandan 1000 puan daha yüksek veya daha düşük, Öklid mesafesine göre tamamen farklı bir modelden daha fazla farklılık gösterecektir, ancak karşılaştırılandan 10 puan daha yüksek veya daha düşük olacaktır. . Ayrıca, fark iki büyüklük mertebesi olacak ve buna göre karşılaştırma hatası da iki mertebeden olacaktır.

Öklid ile ölçüldüğünde, tüm vektörler normalleştirildi ve ortalandı
 
mytarmailS :
Öklid ile ölçüldüğünde, tüm vektörler normalleştirildi ve ortalandı
Nasıl?
 
mytarmailS :

Çözüm bulundu...

Çözüm, eğer mevcut vektöre (cari fiyatlar) spektral analiz uygularsak ve onu daha basit bileşenlere ayırırsak, o zaman basit yapıları nedeniyle bu tür bileşenler tarihte daha kolay bulunabilirdi.

s

price <- cumsum(rnorm( 200 ))+ 1000

library (Rssa)
s <- ssa(price)
r <- reconstruct(s)

par(mfrow=c( 1 , 2 ))
plot(price,t= "l" )
plot(r$F2,t= "l" )
for (i in 3 : 50 ) {lines(r[[i]],col=i)}

Ayrıştırma için "kaz" veya "ssa" yöntemini kullandım http://www.milanor.net/blog/wp-content/uploads/2014/07/SingularSpectrumAnalysisWithRssa.pdf

Yani öz aynı kalıyor, tarihte analogları da arıyoruz ve nasıl sona erdiğine bakıyoruz, ancak analogları fiyatlar için değil, her bir spektral bileşen için arıyoruz, sonra bileşenlerin her birinin nasıl sona erdiğine bakıyoruz. tarihçe ve birleştirme - tüm tahminleri yeniden oluşturuyoruz ve olağan tahminleri alıyoruz

İlk testlere göre, her bileşeni ayrı ayrı tahmin edersek konu oldukça umut verici. Prognoz genellikle doğrudur ancak nadiren tarafsızdır.

ss

Mevcut bileşenlerden biri siyah, bileşen mavi ile gösterilir - geçmişte siyah dikey çizgiden sonra bulunan analog zaten algoritma tarafından bilinmeyen yeni verilerdir - aslında bir tahmin - gördüğünüz gibi, oldukça etkili

Ama görebileceğiniz gibi, tahminde her zaman bir önyargı vardır ve her zaman o kadar iyi değildir, doğal olarak, analoglar arasındaki yakınlığı eski moda bir şekilde korelasyon yoluyla arıyorum, bunun en iyilerinden biri olduğunu anlıyorum. uygun olmayan yollar, bu yüzden benzerlikleri genlik, faz, frekans yoluyla arayacak bir tür algoritmayı değiştirmek istedim. Fourier hakkında konuşurken genel olarak ne demek istediğimi şimdi anladınız mı?

 

Dr.Tüccar

sinir ağınız nasıl? eğitimli?

Temiz mi? Hayır, eğitim çok yavaş, modelin şu anda tanımladığı uygunluk 0.018, günde yüzde yüz büyüyor. Eğitim ve doğrulama verilerinin doğruluğu şimdi 0,52, çok düşük, ancak en azından siyah renkte ve yeniden eğitim olmadan.
 
Yuri Reshetov :
Nasıl?

peki, iki vektörü karşılaştırmadan hemen önce, "ölçek" işleviyle ölçeklendirdim

ölçek(x = veri , merkez = DOĞRU, ölçek = DOĞRU )

 
Yuri Reshetov :
Nasıl?
İlginç bir şekilde, 5.0 bir metin dosyası kaydetmediği ve oluşturmadığı için 6.0 sürümünü indirdim, bu nedenle eğitim sırasında neden bazı hata göstergeleri olduğu açık değil, ancak bir metin dosyasında değerler tamamen farklı ???
 
Michael Marchukajtes :
İlginç bir şekilde, 5.0 bir metin dosyası kaydetmediği ve oluşturmadığı için 6.0 sürümünü indirdim, bu nedenle eğitim sırasında neden bazı hata göstergeleri olduğu açık değil, ancak bir metin dosyasında değerler tamamen farklı ???
Bir metin dosyasında, ikili sınıflandırıcının özellikleri ve üçlü sınıflandırıcı için eğitimden sonra. İki ızgara vardır ve eğer okumaları eşleşirse, olumlu bir cevap alırız, eğer farklılarsa, o zaman bir çizgi verir. İkili sınıflandırıcılar, örneklemde benzer örüntüler için veri olup olmadığına bakılmaksızın her zaman yalnızca olumlu cevaplar verir. Eğitim örneğinde benzer modeller yoksa üçlü sınıflandırıcı bazen olumlu cevaplar vermez.
 
Dr.Tüccar :
Temiz mi? Hayır, eğitim çok yavaş, modelin şu anda tanımladığı uygunluk 0.018, günde yüzde yüz büyüyor. Eğitim ve doğrulama verilerinin doğruluğu şimdi 0,52, çok düşük, ancak en azından siyah renkte ve yeniden eğitim olmadan.
Oo 52 zaten 50'den daha iyi, en son 0.017 olduğunu hatırladığım kadarıyla, yüzde biri tahminin doğruluğunu% 2 artırıyor), bence ağ dikkate değerse, yeniden yazmak daha iyi SI'da, beni haberdar et, çok ilgileniyorum. ..
 
mytarmailS :
Oo 52 zaten 50'den daha iyi, en son 0.017 olduğunu hatırladığım kadarıyla, yüzde biri tahminin doğruluğunu% 2 artırıyor), bence ağ dikkate değerse, yeniden yazmak daha iyidir SI'da, beni haberdar et, çok ilgileniyorum. ..

Model topolojisini geliştirdiği ve aynı doğrulukla birkaç nöronu dışarı attığı için uygunluk artabilir.
Koddaki yorumlardan anladığım kadarıyla bu Lua ile bir port. Ve Lua da bir bağlantı noktasıdır, çünkü orijinal zaten c++'daydı: http://nn.cs.utexas.edu?neat
Porttan port talihsiz, bir sürü gereksiz eylem, RNeat'ın yazarı C++ kodunu temel alıp mevcut R genetik paketlerini ağın evrimi için uygulasa daha iyi olurdu.