Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 451
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
Reshetov kendini Tanrı'ya tanıttı mı?
Cenazede kendisinin bulunmadığına dair söylentiler var.
Bu ticaret için geçerli değil, sadece ilginç bir deney.
Verilerdeki paraziti azaltmak için Temel Bileşen Analizi (PCA) kullanılabilir, gürültülü görüntüleri temizlemenin nasıl çalıştığını görmek istedim.
http://sites.psu.edu/siowfa15/wp-content/uploads/sites/29639/2015/10/Fall-beauty-nature-22666764-900-562.jpg resmini çektim ve buna gürültü ekledim
Bu resim bir matris ile temsil edilebilir. Matrisin yüksekliği resmin yüksekliğine eşittir ve matrisin genişliği = resmin genişliği x3 (çünkü kırmızı mavi yeşil 3 renk kanalı vardır).
Ardından, normal R araçlarını kullanarak ana bileşenleri bulabilir, yalnızca en önemlilerini bırakabilir ve onlardan orijinal görüntüyü geri yüklemeye çalışabilirsiniz. Teoride, gürültüyle ilgili bilgiler daha az önemli bileşenlerde depolanacak ve bunları atarak gürültüyü de atacağız.
İşte olanlar -
Görüntü kalitesi düşmüş olsa da, artık gren yok. Ve bazı nesne tanıma algoritmaları için ikinci resim daha uygun olabilir.
Daha az kaba filtre. Filtre değerleri komut dosyasında değiştirilebilir ( SIZE_REDUCTION )
Daha az kaba filtre. Filtre değerleri komut dosyasında değiştirilebilir ( SIZE_REDUCTION )
Bir sesi diğeriyle değiştirmek :D
Bu arada, bu tür grenli görüntüler NS comp tarafından çok kolay aldatılıyor. görüş. Bir yerde, gürültülü yol işaretlerinin, işaretleri bir stupor olarak tanıyan Ulusal Meclis'i nasıl yönlendirdiği hakkında bir makale gördüm :)
R'de iyisiniz, bu da Tekrarlama grafiklerini denemenizi engelliyor https://en.wikipedia.org/wiki/Recurrence_plot
Diyelim ki, grafikleri tekrarlama grafiklerine dönüştürün ve bu resimlerle evrişimsel sinir ağını eğitin, ardından grafiğin bir parçasını dönüştürülmüş formda göndermeyi öğrendikten sonra, elde edilen görüntüyü (tahmin) alın ve ardından normale ters dönüşümü yapın. biçim
Sezgisel olarak, yineleme grafikleri, anlamlı özellikleri kaybetmeden bilgisayar vizyonuyla zaman serilerinden çok daha kolay tanınacaktır.
Ama kontrol etmeniz gerekiyor.
Görüntü kalitesi düşmüş olsa da, artık gren yok. Ve bazı nesne tanıma algoritmaları için ikinci resim daha uygun olabilir.
R'de iyisiniz, bu da Tekrarlama grafiklerini denemenizi engelliyor https://en.wikipedia.org/wiki/Recurrence_plot
Diyelim ki, grafikleri tekrarlama grafiklerine dönüştürün ve bu resimlerle evrişimsel sinir ağını eğitin, ardından grafiğin bir parçasını dönüştürülmüş formda göndermeyi öğrendikten sonra, elde edilen görüntüyü (tahmin) alın ve ardından normale ters dönüşümü yapın. biçim
Sezgisel olarak, yineleme grafikleri, önemli özellikleri kaybetmeden bilgisayar vizyonu tarafından zaman serilerinden çok daha kolay tanınacaktır.
Ama kontrol etmeniz gerekiyor.
Yineleme grafiğini denemedim, ancak açıklama Arima'ya çok benziyor, bu modelde yinelenen bağımlılıklar da aranıyor.
Ayrıca acf () ve pacf () işlevleriyle bir otokorelasyon grafiği çizebilirsiniz, bu yineleme grafiği gibi bir şey olacaktır, yalnızca grafiğin bir vektörü olacaktır ve bir düzlemi olmayacaktır.
Yineleme grafiğini denemedim, ancak açıklama Arima'ya çok benziyor, bu modelde yinelenen bağımlılıklar da aranıyor.
Ayrıca acf () ve pacf () işlevleriyle bir otokorelasyon grafiği çizebilirsiniz, bu yineleme grafiği gibi bir şey olacaktır, yalnızca grafiğin bir vektörü olacaktır ve bir düzlemi olmayacaktır.
Buradaki ana avantaj, tüm alanın her zaman bir desenle doldurulması ve yukarıdan aşağıya veya aşağıdan yukarıya normal bir grafik gibi olmamasıdır. Makinenin ısıtılması için tanımlanması daha kolay olacak ve çizimlerin özellikleri belirli bir desenin belirli kalıpları hakkında konuşacaktır.
Sezgisel olarak, yineleme grafikleri, önemli özellikleri kaybetmeden bilgisayar görüşü tarafından zaman serilerinden çok daha kolay tanınacaktır.
Ama kontrol etmeniz gerekiyor.
Denedim ve hatta yazdım, kesim VR ile aynı
Buradaki sorun, pazarın sürekli olarak farklı VR'ler üretmesidir, piyasaya VR veya VR'nin herhangi bir dönüşümü aracılığıyla bakarsanız, geçmişte meydana gelenler gelecekte asla tekrarlanmayacaktır; bu, bu tür işaretlerle çalışmanın yararsız olduğu anlamına gelir. MO ve bu arada bir kişi için de ...
Bu ticaret için geçerli değil, sadece ilginç bir deney.
Bu tür problemlerin çözümü için çok sayıda filtrenin varlığını bir kenara bırakırsak,
aynı photoshop'ta vb., ardından ufkunuz için diğer boyutluluk azaltma algoritmalarını deneyin -
ICA, NMF, SVD, vb.
Ancak, DM öğeleriyle otomatik yaklaşım ilginç olduğu için, örneğin kümelemeyi kullanabilirsiniz.
K-Means, EM-K, DBSCAN, t-SNE, vb.
1. Gürültüyü yakalamaya çalışın.
2. En ufak derecede başarılı olursa sileriz.
3. Boşlukları en yakın komşu vb. ile değiştiririz.
Sonra farklı seslere sahip resimleri kaydırıyoruz ve kesiklere bakıyoruz.
İşe yaramazsa, boya kalemi olan bir kız dikeriz, rötuş yapmasına izin verin)))