Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 239

Yeni yorum
 
Andrey Dik :
Mumu, her biri [-1.0; 1.0]. Bu, O ve C'nin H ve L'ye göre konumudur.
Örneğiniz şöyle görünecek:
1. [-0.8; 0.8]
2. [-0.2; 0.2]
3. [-0.9; -0.1]
bu nasıl yapılır?
 
mytarmailS :
bu nasıl yapılır?
Yüksekliğe göre, H 1'dir, L -1'dir, sırasıyla O ve C'yi H ve L'ye göre ifade eder.
Bu, mumun boyutundan bağımsız olarak şekli açıkça tanımlar.

 
Andrey Dik :
Yüksekliğe göre, H 1'dir, L -1'dir, sırasıyla O ve C'yi H ve L'ye göre ifade eder.
Bu, mumun boyutundan bağımsız olarak şekli açıkça tanımlar.

burada mumun oynaklığı dikkate alınmaz, tüm hesaplamalar mumun içindeymiş gibi yapılır ve ne tür bir mum olduğu, boşluk veya küçük bir dojik MO görmez

Bence en normal şey % artış ama doğru saymıyorum

 
mytarmailS :

burada mumun oynaklığı dikkate alınmaz, tüm hesaplamalar mumun içindeymiş gibi yapılır ve ne tür bir mum olduğu, boşluk veya küçük bir dojik MO görmez

Bence en normal şey % artış ama doğru saymıyorum

volatilite sadece dikkate alınması gerekmez. ve boşluklardan kurtulmanız gerekir (mumları boşluğun mesafesine göre kaydırın)
 
Andrey Dik :
volatilite sadece dikkate alınması gerekmez. ve boşluklardan kurtulmanız gerekir (mumları boşluğun mesafesine göre kaydırın)
Aksine, boşluklar hatırlanmalı ve dikkate alınmalıdır. Çünkü istatistiksel olarak fark yine de kapanıyor. Her nasılsa boşluklarla bir tür gösterge arıyordum - bulamadım, fraktallar aracılığıyla kendim yakaladım. Ama yine de iyi bir göstergeye ihtiyacınız var.
 
Beyler, CandleCode adında böyle bir gösterge var, mumları aynı şekilde kodluyor, scatter'ı hesaba katarak aynı koda sahipler. Neden bir bisiklet icat ettiğini anlamıyorum :-(
 
Sihirbaz_ :
ders bitti)))

Teşekkür ederim, anladım. Çok basit görünüyor, inanmıyorum ama kontrol edeceğim.

İşaretin ayrı bir öngörücü olması da garip, mumun boyutunu aşağıdaysa negatif yapardım. Bu da mutlaka denenmeli.

 
Dr.Tüccar :

Teşekkür ederim, anladım. Çok basit görünüyor, inanmıyorum ama kontrol edeceğim.

İşaretin ayrı bir öngörücü olması da garip, mumun boyutunu aşağıdaysa negatif yapardım. Bu da mutlaka denenmeli.

ve anlamadığım bir şey var

hedef nasıldı

formül nereden geldi?

 

Hedef değişken üzerindeki etkileri için tahmin edicileri seçmeden başka hiçbir şeyin önemli olmadığını düşünmeye devam ediyorum. Bu ilk adım . Ya gürültü tahmin edicilerini kaldırırız ve sonra fazla uymayan bir model oluşturma şansımız artar ya da gürültü tahmin edicileri kalır ve bu da mutlaka fazla uydurmaya yol açar. Ve aşırı eğitilmiş modelin gelecekteki davranışı hiçbir şekilde geçmişteki davranışıyla ilgili olmadığından, böyle bir aşırı eğitilmiş modele ihtiyaç yoktur.

Tahmin edicilerin önemini belirlemeye yönelik bir başka ilginç yaklaşım. Aynı zamanda, önem testinin belirlenmesi için çok sayıda algoritma kullanılmamaktadır.

İşte bu gönderiden tamamlanmış kod

> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>

 

 


> # 1a. Standardized betas
> summary(model)$coe[,2]
        x1         x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
        x1         x2
-500.00627   50.00839

 

 


> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
       x1        x2
0.9091711 0.0908289

 

 


> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
       x1
0.9095839

 

 


> imp2 / (imp1 + imp2)
       x2
0.0904161

 

 


> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)

Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))

Residuals:
       Min         1Q     Median         3Q        Max
-0.0236475 -0.0046199  0.0000215  0.0046571  0.0243383

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
I(scale(x1)) -9.932e-01  6.876e-05  -14446   <2e-16 ***
I(scale(x2))  9.873e-02  6.876e-05    1436   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared:      1,     Adjusted R-squared:      1
F-statistic: 1.058e+08 on 2 and 9998 DF,  p-value: < 2.2e-16

 

 


> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
  0.90958355   0.09041645
How important is that variable?
  • 2016.12.03
  • Andrés Gutiérrez
  • hagutierrezro.blogspot.nl
When modeling any phenomena by including explanatory variables that highly relates the variable of interest, one question arises: which of the auxiliary variables have a higher influence on the response? I am not writing about significance testing or something like this. I am just thinking like a researcher who wants to know the ranking of...
1...232233234235236237238239240241242243244245246...3399
Yeni yorum