Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 194
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
Eh, yine bu çöpü fark ettim. Gerçek şu ki, bir veri setim var, 12 perdict ve sonra kendi gecikmeleri, lag1 ve lag2, devam ediyor. Önceden, girişler esas olarak setin başındaydı, yani birkaç gecikme vardı ve ardından gecikme1'den fazla değildi, nadiren bir gecikme2 olduğunda. Şimdi, tam tersine, ilk veriler pratikte hiç kullanılmıyor, ancak lag1 ve ne yazık ki lag2 daha sık görünmeye başladı. Numunenin verilerle dolup taştığını anlıyorum. Ama gerçek şu ki, daha önce genelleme esas olarak ilk sütunlarda, şimdi son sütunlarda .... pratik olarak, bu yüzden sonuçlar çıkarıyoruz ....
Bu yüzden önceki sürümlere geri dönmeniz gerekiyor.
Uçuşum normal. Örnekte gecikme olmadığı için olabilir mi?
Gerçekten güzel görünüyor, sonunda ne olacağını merak ediyorum.
Komiteye gelince, bazı örnekler yayınladım, ancak sınıflandırma yaparken yuvarlama ile regresyon kullanan modeller var ve orada her şey o kadar basit değil. Oyları birleştirmek için iki farklı yol denedim:
1) her şeyi sınıflara yuvarlayın, daha fazla oy alınacak sınıfı alın.
Onlar. üç modelden 4 çubuk için bir tahmine sahip olmak
c(0.1, 0.5, 0.4, 0.4) c(0.6, 0.5, 0.7, 0.1) c(0.1, 0.2, 0.5, 0.7) Bunu daha da sınıflara yuvarlardım
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) ve tahminleri olan son vektör c(0, 1, 1, 0) olacaktır. oy sayısı.
2) başka bir seçenek de ortalama sonucu hemen bulmak ve ancak bundan sonra onu sınıflara yuvarlamaktır.
sonuç c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3) olacaktır.
veya (0.2666667, 0.4000000, 0.5333333, 0.4000000) veya
c(0, 0, 1, 0)
Paket tsDyn işlevi SETAR
Eşik değerinin (RSI'da olduğu gibi iki tane olabilir) bir değişken olduğu ortaya çıktı. Harika sonuçlar verir.
Ayrıca sınıflandırmadaki kalibrasyon algoritmalarını da unutmayalım. Gerçek şu ki, sınıf tahmini gerçekte nominal bir değer değildir, algoritma gerçek bir sayı olan sınıf olasılığını hesaplar. Daha sonra bu olasılık örneğin yarıya bölünür ve iki sınıf elde edilir. Ve olasılıklar 0.49 ve 051 ise, bunlar iki sınıf mı? 0.48 ve 052 ne olacak? Sınıf ayrımı mı? Burada, SETAR'a göre, Reshetov'un "çit üstünde" olacağı iki sınıfa ayrılacaktı.
Gerçekten güzel görünüyor, sonunda ne olacağını merak ediyorum.
Komiteye gelince, bazı örnekler yayınladım, ancak sınıflandırma yaparken yuvarlama ile regresyon kullanan modeller var ve orada her şey o kadar basit değil. Oyları birleştirmek için iki farklı yol denedim:
1) her şeyi sınıflara yuvarlayın, daha fazla oy alınacak sınıfı alın.
Onlar. üç modelden 4 çubuk için bir tahmine sahip olmak
c(0.1, 0.5, 0.4, 0.4) c(0.6, 0.5, 0.7, 0.1) c(0.1, 0.2, 0.5, 0.7) Bunu daha da sınıflara yuvarlardım
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) ve tahminleri olan son vektör c(0, 1, 1, 0) olacaktır. oy sayısı.
2) başka bir seçenek de ortalama sonucu hemen bulmak ve ancak bundan sonra onu sınıflara yuvarlamaktır.
sonuç c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3) olacaktır.
veya (0.2666667, 0.4000000, 0.5333333, 0.4000000) veya
c(0, 0, 1, 0)
beyler lütfen soruna yardımcı olun yoksa artık bana cevap vermeyeceklerini anlıyorum
http://ru.stackoverflow.com/questions/586979/%D0%9A%D0%B0%D0%BA-%D0%B8%D0%B7-%D0%B4%D0%B0%D0%BD%D0 %BD%D1%8B%D1%85-%D0%B2%D1%8B%D1%87%D0%BB%D0%B5%D0%BD%D0%B8%D1%82%D1%8C-%D0 %BD%D0%B5%D0%BA%D0%B8%D0%B5-%D0%B3%D1%80%D1%83%D0%BF%D0%BF%D1%8B-%D0%B4%D0 %B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BF%D0%BE-%D1%83%D1%81%D0%BB%D0%BE%D0%B2%D0 %B8%D1%8E
burdan cevap verebilirsin umurumda değil
O zaman buradan cevap vereyim.
dat <- data.frame(cluster1=c( 24 , 2 , 13 , 23 , 6 ), cluster2=c( 5 , 15 , 13 , 28 , 12 ), cluster3=c( 18 , 12 , 16 , 22 , 20 ), cluster4=c( 21 , 7 , 29 , 10 , 25 ), cluster5=c( 16 , 22 , 24 , 4 , 11 ), target.label=c( 1 , 1 , 0 , 1 , 0 ))
dat <- rbind(dat, dat[ 1 ,], dat[ 1 ,])
#результат последней строки поменян на 0 для эксперимента
dat[ 7 , "target.label" ]= 0
library (sqldf)
#для sqldf точек в названиях колонок быть не должно
colnames(dat)[ 6 ] <- "target"
dat1 <- sqldf( "select cluster1, cluster2, cluster3, cluster4, cluster5, avg(target) as target_avg, count(target) as target_count from dat group by cluster1, cluster2, cluster3, cluster4, cluster5" )
dat1
dat1[ dat1$target_count>= 10 & dat1$target_avg> 0.63 , ]
dat1[ dat1$target_count>= 10 & ( dat1$target_avg< 0.37 | dat1$target_avg> 0.63 ), ] #на случай если оба "0" или "1" встречаются чаще 70 %
Paket tsDyn işlevi SETAR
SETAR, komite boyutlandırmasına özel mi, yoksa finansal modeller oluşturmak için ayrı bir konu mu?
Paketin kitapçığına baktım ama neye ihtiyacım olduğunu göremedim... Öyle bir durum var ki: 10.000 örneklik bir eğitim masası var. Ve bu örnekler üzerinde eğitilmiş 100 model. Modelleri test etmek için aynı girdi verilerini tahmin edebilir ve her biri 10.000 tahmin içeren 100 vektör elde edebilirler. SETAR, tüm bu 100 vektörü bir şekilde birleştirmek için kullanılabilir mi?
Ve sonra, yeni veriler üzerinde bir tahmin yapmak için yine 100 tahmin olacak ve bunları tek bir tahminde birleştirmeniz gerekiyor (100 vektör değil, sadece 100 tek tahmin olacak). SETAR, eğitim verilerinden elde edilen komite parametrelerini kullanarak bunu da yapabilecek mi?
SETAR, komite boyutlandırmasına özel mi, yoksa finansal modeller oluşturmak için ayrı bir konu mu?
Paketin kitapçığına baktım ama neye ihtiyacım olduğunu göremedim... Öyle bir durum var ki: 10.000 örneklik bir eğitim masası var. Ve bu örnekler üzerinde eğitilmiş 100 model. Modelleri test etmek için aynı girdi verilerini tahmin edebilir ve her biri 10.000 tahmin içeren 100 vektör elde edebilirler. SETAR, tüm bu 100 vektörü bir şekilde birleştirmek için kullanılabilir mi?
Ve sonra, yeni veriler üzerinde bir tahmin yapmak için yine 100 tahmin olacak ve bunları tek bir tahminde birleştirmeniz gerekiyor (100 vektör değil, sadece 100 tek tahmin olacak). SETAR, eğitim verilerinden elde edilen komite parametrelerini kullanarak bunu da yapabilecek mi?
Bu yüzden önceki sürümlere geri dönmeniz gerekiyor.
Uçuşum normal. Örnekte gecikme olmadığı için olabilir mi?