Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 131
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
jPrediction üçlü sınıflandırıcının 10. sürümünün sürümü yayınlandı
Yeni sürüm çapraz doğrulama uygular.
Çapraz doğrulama nedeniyle, OOS üzerindeki genelleme yeteneği, özellikle durağan olmayan verilerde 9. sürüme kıyasla önemli ölçüde iyileştirildi. Aynı zamanda 9. ve 10. versiyonlarda modelin özelliği olarak yayınlanan numunenin farklı kısımları üzerinde yapılan test sonuçlarına dayalı genelleme yeteneği değişmemiştir.
Değişiklikler kullanıcı arayüzünü etkilemediğinden , 9. sürümün kullanıcıları için talimatlar yürürlükte kalır. jPrediction'ın en son sürümleri için indirme bağlantıları ve kaynak kodları talimatlarda bulunabilir.
Awl Yazar :
1) iki zaman serisini mutlak değerlerle karşılaştırır, yani. dikey eksen boyunca kaydırma ve ölçeğin önceden normalleştirilmesine ihtiyacınız vardır ve çoğu, belirli uygulamaya bağlıdır.
2) Örneğin, burada https://www.mql5.com/ru/code/10755 karşılaştırma için 2 adet sabit uzunluk alınır
3) ve birinin daha uzun, diğerinin daha kısa olabileceği dikkate alınmaz.
4) ve hesaplamaların miktarı önemli ölçüde azaltılabilir, vb. DTW'ye özgü parametrelere göre kümeleme hakkında konuşabiliriz - sadece iki parçanın "benzerlik derecesini" değil, aynı zamanda yatay ölçeklerin oranını da hesaplayabilirsiniz.
1) Peki, DTW algoritması ile iki satırın benzerliğini karşılaştırmadan önce, normal normalizasyon sadece doğal olarak yapılır.. Fiyatların mutlak değerlerini 0'dan 1'e kadar bir aralıkla değiştiriyoruz, ne demek istiyorsun? kaydırma ve ölçek normalleştirme? açıklığa kavuştur lütfen
2) Bağlantı için teşekkürler, baktım ve çıldırdım, en hafif tabirle, yazarla tamamen aynı fikri buldum, tıpatıp aynı araştırmayı yaptım, onunla tıpatıp aynı evrimsel yoldan geçtim, sıradan DTW ile korelasyon, zaten tüylerim diken diken oldu. .. aynı şeyi yapıyorduk, aynı şeyi sadece farklı zamanlarda farklı yerlerde düşünüyorduk, kalay ...
3) Evet, dikkate alınmıyor, dikkate almak doğru olsa da, yazar neden bunu uygulamamış, gerçek şu ki, “nasıl uygulanır” gibi daha derin düşünmeye başlarsanız. , sonra cevabı olmayan bir sürü soru çıkıyor ...
Ne de olsa, bu artık sadece düzeltmesi olan alanlarda DTW ile benzerlik arayışı değil. kümelemede benimki veya algoritmasındaki makalenin yazarı olduğu sürece , ancak her şey çok daha karmaşık ...
işte ortaya çıkan birkaç soru
1. Yalnızca geçmişte gezinmek ve benzerlikler aramakla kalmayıp, aynı zamanda hem mevcut modeli hem de her karşılaştırmada karşılaştırdığımız tarihsel modeli dinamik olarak genişletmeniz/daraltmanız gerekiyorsa, mevcut fiyat modelinin benzerliğini tarihsel modellerle nasıl karşılaştırabilirsiniz? ?
2. Kireç eksikliği ile nasıl başa çıkılır. Şahsen, iki bölümlük sabit bir uzunluk için bile DTW için yeterli güce sahip değilim ve seçenek (1.) ile yük abartısız binlerce kat artıyor ....
4) Nasıl???
1. Serinin değerlerini [0; 1] aralığına getirebilirsiniz, ancak her bir elemandan ortalama değeri (MA) çıkararak sabit bileşeni ortadan kaldırmak ve her bir elemanı standarda bölmek daha iyidir. sapma. Tarayıcı, böyle bir parazit, metnin bir kısmını yok etti.
3-4. Algoritmanın özüne, matrisin nasıl doldurulduğuna bakarsanız, o zaman çok şey netleşecektir. Sabit bir başlangıç ve bitiş ile eşit uzunlukta iki segment karşılaştırılır. Yalnızca başlangıcı düzeltebilir ve sonun dalgalanmasını sağlayabiliriz ve algoritmaya 0,5'ten 2'ye kadar bir ölçek faktörü kısıtlaması getirebiliriz - kısıtlamalarla DTW elde ederiz. Çalışmanın sonucu artık bir sayı değil iki sayı olacak ve bu bize ek bir tahminci verecek. Hesaplama miktarı nasıl azaltılır - "tekil noktalar" (ekstrem) buluyoruz, onları birbirine çekiyoruz ve böylece daha fazla ayrıntı için bağlantıları takip ederek matris alanının çoğunu atıyoruz. Ayrıca Wikipedia Dynamic Time Warping, Referanslar bölümüne bakın.
Beyler, benden yeni bir görev:
İşte .R formatında bir veri seti: https://drive.google.com/open?id=0B_Au3ANgcG7CcjZVRU9fbUZyUkE
Kümede yaklaşık 40.000 satır, 101 sütun vardır. En sağdaki sütun hedef değişkendir. Sol - 100 giriş.
İlk 20.000 gözlem için kalan 100 sütuna dayalı olarak 101. sütunun değerini tahmin eden bir regresyon modeli oluşturmaya çalışmanızı öneririm.
Kalan 20.000'den fazla gözlemde, oluşturulan model R^2'yi 0,5'ten daha kötü göstermemelidir.
Ardından veri üretme yöntemini ortaya koyuyorum ve çözümümü veriyorum.
İpucu, zaman serisi verileridir. Giriş 100 okuma, tahmin 1 önde. Bunlar fiyatlar, kotasyonlar veya bunların türevleri değildir.
Alexey
Kim denedi? Meslektaşlarım ve ben bir evrişimsel sinir ağı eğitmek istiyoruz. Özellik eşleme gider. Umut ediyoruz.
Yöntemin standart dışı bir uygulaması gibi görünüyor. Öte yandan, girdi olarak sadece tek boyutlu bir "resim" sunuyoruz ve orada komşu "pikselleri" ve bunların çeşitli etkileşimlerini eşleyebiliriz.
Kim denedi? Meslektaşlarım ve ben bir evrişimsel sinir ağı eğitmek istiyoruz . Özellik eşleme gider. Umut ediyoruz.
Yöntemin standart dışı bir uygulaması gibi görünüyor. Öte yandan, girdi olarak sadece tek boyutlu bir "resim" sunuyoruz ve orada komşu "pikselleri" ve bunların çeşitli etkileşimlerini eşleyebiliriz.
Meslektaşlarım ve ben bir evrişimsel sinir ağı eğitmek istiyoruz. Özellik eşleme gider. Umut ediyoruz.
1. Yalnızca geçmişte gezinmek ve benzerlikler aramakla kalmayıp, aynı zamanda hem mevcut modeli hem de her karşılaştırmada karşılaştırdığımız tarihsel modeli dinamik olarak genişletmeniz/daraltmanız gerekiyorsa, mevcut fiyat modelinin benzerliğini tarihsel modellerle nasıl karşılaştırabilirsiniz? ?
Neden böyle bir ihtiyaç var? Modelin tarihte bir analojisi varsa, o zaman süre olarak da karşılık gelmelidir. En azından bir kalıp araması yaptığımda orantılı alanlar arıyordum.
1) En azından piyasada kesinlikle aynı kalıplar olmadığı için,
2) ve dtw böyle büyük bir fırsat verdiği için
3) ve boyut olarak aynı kalıpları aramanın sonucu, siz de dahil olmak üzere hepimize tanıdık geldiği için ... yoksa beni şaşırtacak mısınız? :)
Öyleyse iş arkadaşlarının denemesine izin ver, yoksa zayıf mı?
İlginç, merakla bekliyorum...