Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 560
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
Orman ve ada için benzer sayılara sahibim.
Ve şimdi, "koyunumuza" dönersek - keyfi bir tahminciler listesinden gürültü nasıl atılır? 170'ten 27 tahmincimi seçen bazı deneysel algoritmam var. Ayrıca, diğer insanların tahmin edicilerini analiz etmek için kullandım ve ayrıca başarılı bir şekilde. Bu deneyime dayanarak, algoritmalarında değişkenlerin "önemini" kullanan tüm R yöntemlerinin, tahmin ediciler kümesini gürültüden temizleyemeyeceğini savunuyorum.
Tüm şube okuyucularına sesleniyorum: Kaynak veriler RData veya işlem gerektirmeyen bir Excel dosyası şeklinde sunuluyorsa uygun bir analiz yapmaya hazırım.
Ayrıca.
Ekte, ilk öngörücü kümesini gürültüden temizleme sorununu çözdüğü ve çok daha yüksek kalitede bir dizi makale ekliyorum. Maalesef şu anda denemek için zamanım yok. Belki biri deneyip sonucu yazar?
Önce konuyu okumaya karar verdim (okumadığım ortaya çıktı). Ve sonra bir dizi soru ortaya çıktı, örneğin:
1. Ormanlar rastgele bir özellik alt kümesi üzerinde eğitilir, bu, eğitime rastgele dahil edilmeyen özelliklerin "önemli değil" olarak işaretleneceği anlamına mı gelir?
2. kategorik özellikler olduğunda ve ormanlar onlara daha fazla kategoriye sahip özelliklere göre önceden daha az önem verdiğinde nasıl anlaşılır?
3. Her yeni örnekteki PCA, eğitim örneğindeki bileşenlerden çok farklı olacak "yeni" bileşenleri vurgulamayacak mı, bununla nasıl başa çıkılır?
ve son olarak, biraz farklı bir özellik seçme yöntemi hakkında bir makale (özyinelemeli özellik eleme): http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side- yan/
makale ayrıca, dahil olmak üzere açıklanan önceki bölümlere bağlantılar içerir. ve ormanlar
Önce konuyu okumaya karar verdim (okumadığım ortaya çıktı). Ve sonra bir dizi soru ortaya çıktı, örneğin:
1. Ormanlar rastgele bir özellik alt kümesi üzerinde eğitilir, bu, eğitime rastgele dahil edilmeyen özelliklerin "önemli değil" olarak işaretleneceği anlamına mı gelir?
2. kategorik özellikler olduğunda ve ormanlar onlara daha fazla kategoriye sahip özelliklere göre önceden daha az önem verdiğinde nasıl anlaşılır?
3. Her yeni örnekteki PCA, eğitim örneğindeki bileşenlerden çok farklı olacak "yeni" bileşenleri vurgulamayacak mı, bununla nasıl başa çıkılır?
ve son olarak, biraz farklı bir özellik seçme yöntemi hakkında bir makale (özyinelemeli özellik eleme): http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side- yan/
makale ayrıca, dahil olmak üzere açıklanan önceki bölümlere bağlantılar içerir. ve ormanlar
Ne yazık ki, kişisel cevabım burada veya konuyla ilgili diğer literatürde yazılanlara hiçbir şey eklemeyecektir.
Özelliklerin "önemini" belirlemek için oldukça fazla sayıda algoritma vardır (gerileme veya kategori önemli değildir) - bunların hepsi R'dedir.
Onlara hakim olmak için çok zaman harcadım ve sonunda, hedef değişkenle ilgili olmayan gürültü özelliklerinden kurtulmanın ve daha sonra bunları R'den kullanmanın ÖNCE olduğunu öğrendim, bu da hatayı 5 azaltacaktır. %7. %20'den az hataya ulaşılamadı.
Bir kez daha, her çubukta önemli bileşenlerden bir seçim yaptığımı ve ortaya çıkan sette ormanın yeniden eğitildiğini not ediyorum.
Rakamlar böyle.
Bu yaklaşımın kalite kriteri: İki dosya alıyorum, ilkinde öğretiyorum, eğitiyorum, doğrulama = yaklaşık olarak aynı hata. Ortaya çıkan modeli ikinci dosyada kontrol ediyorum = yaklaşık olarak ilk dosyadakiyle aynı hata. Bu konuda modelin yeniden eğitilmediği ve gelecekte en az bir çubuğun eğitim sırasındaki gibi davranacağı sonucuna varıyorum.
Diğer yaklaşımlar benim için çalışmıyor ve bir model türünü bir başkasıyla değiştirmek, yeniden eğitim açısından hiçbir şeyi iyileştirmez.
RSA hakkında. Benim sonucum, ana bileşenlerin kullanımının orijinal sete kıyasla hatayı azaltmadığı anlamında negatif. Neden böyle - teorik olarak hatayı azaltmasına rağmen anlamadım.
PCA, forex gibi heterojen özellikler üzerinde bir model kullanırken genellikle işe yaramaz .. bence. Çünkü aynı bileşenler üzerinde eğitildi ve testte değil, model tarafından hiç dikkate alınmayan başka bir bileşen kombinasyonu ortaya çıktı
eğer ormana geri dönersen
Eğitim örneğine dahil olmayan özelliklerin nasıl değerlendirildiğini anlamak için materyale girmeniz gerekecek, öyle görünüyor, bu konuda hiçbir şey yazılmıyor (büyük olasılıkla kötü olarak değerlendiriliyorlar)
+ ormanın öğrenme süreci rastgeledir, arka arkaya birkaç eğitimle farklı sonuçlar elde edebilirsiniz, bazen önemli ölçüde farklı .. bu numara ile nasıl çalışılacağı da tam olarak açık değildir. Eh, eğer modele uyarsak, onu kaydedin ve daha sonra kullanın .. ve model kendi kendini yeniden eğitiyorsa .. art arda birkaç kez eğitilmesi gerekiyor, minimum hatayı seçin, bunun gibi bir şey .. aksi takdirde, ile test cihazında birden fazla çalışma, gözlemlerime göre 5 veya daha fazlasına kadar farklı sonuçlar elde ediliyor, daha sonra bunlar sonraki çalışmalarda tekrarlanıyor / değiştiriliyor
PCA, forex gibi heterojen özellikler üzerinde bir model kullanırken genellikle işe yaramaz .. bence. Çünkü aynı bileşenler üzerinde eğitildi ve testte değil, model tarafından hiç dikkate alınmayan başka bir bileşen kombinasyonu ortaya çıktı
eğer ormana geri dönersen
Eğitim örneğine dahil olmayan özelliklerin nasıl değerlendirildiğini anlamak için materyale girmemiz gerekecek, bu konuda hiçbir şey yazılmıyor (büyük olasılıkla kötü olarak değerlendiriliyorlar)
+ ormanın öğrenme süreci rastgeledir, arka arkaya birkaç eğitimle farklı sonuçlar elde edebilirsiniz, bazen önemli ölçüde farklı .. bu numara ile nasıl çalışılacağı da tam olarak açık değildir. Eh, eğer modele uyarsak, onu kaydedin ve daha sonra kullanın .. ve model kendi kendini yeniden eğitiyorsa .. art arda birkaç kez eğitilmesi gerekiyor, minimum hatayı seçin, bunun gibi bir şey .. aksi takdirde, ile test cihazında birden fazla çalışma, gözlemlerime göre 5 veya daha fazlasına kadar farklı sonuçlar elde ediliyor, daha sonra bunlar sonraki çalışmalarda tekrarlanıyor / değiştiriliyor
Anlattığın tutkuları hatırlamıyorum. Aynı tohumla, sonuç sürekli olarak aynıdır.
Anlattığın tutkuları hatırlamıyorum. Aynı tohumla, sonuç sürekli olarak aynıdır.
tohum nelerden sorumludur? Artık hatırlamıyorum .. sadece işaret sayısı için mi? alglib ormanı kullanıyorum
Çarpım tablosunu bilmeyen öğretmen ve ona empoze etmeyen Millet Meclisi geliştiricisi, rastgele, doğru çözümler - daha fazla dökmeyin!
Desteklerim.
Sadece boş hava. Kontrol edebilmeniz için bir örnek, tavan verileri düzenleyin.
Öğrenmenin üç ana yolu vardır: öğretmensiz (hedef sunulmaz), öğretmenli (hedef tam olarak etiketlenir) ve yarı denetimli (doğru tercüme yapmayı bilmiyorum). Bu, modele tam olarak (kısmen) işaretlenmemiş bir hedef sunulduğu zamandır. Diğer her şey kötü olandan.
İyi şanlar
tohum nelerden sorumludur? Artık hatırlamıyorum .. sadece işaret sayısı için mi? alglib ormanı kullanıyorum
Haydi...
set.seed rasgele sayı üretecini belirli bir duruma ayarlar ve hesaplamayı yinelerken tekrarlanabilir bir sonuca sahip olur.
Malzeme öğrenin.
Haydi...
set.seed rasgele sayı üretecini belirli bir duruma ayarlar ve hesaplamayı yinelerken tekrarlanabilir bir sonuca sahip olur.
Malzeme öğrenin.
ne tamam o zaman bende öyle bir ayar yok o yüzden sordum
yani mt5'te de yapabilirsiniz, teşekkürler
Desteklerim.
Sadece boş hava. Kontrol edebilmeniz için bir örnek, tavan verileri düzenleyin.
Öğrenmenin üç ana yolu vardır: öğretmensiz (hedef sunulmaz), öğretmenli (hedef tam olarak etiketlenir) ve yarı denetimli (doğru tercüme yapmayı bilmiyorum). Bu, modele tam olarak (kısmen) işaretlenmemiş bir hedef sunulduğu zamandır. Diğer her şey kötü olandan.
İyi şanlar
Peki, peki.)) Algoritmayı tamamen biliyorsanız ve hedefi bulabilirseniz, neden NA'ya ihtiyacınız var? Onsuz her şeyi yapabilirsiniz.)
NS ve diğer DM'lere tam olarak bilmediğiniz zamanlarda ihtiyaç duyulur.
Öğrenme algoritmalarına gelince, bunlar her özel görev için geliştirilir ve değiştirilir. Çoğunlukla temele dayalıdır.
Ama söylediğin şey havanın sallanması. Girişin ötesinde bir şeyler okuyun. )
İyi şanlar.
Peki, peki.)) Algoritmayı tamamen biliyorsanız ve hedefi bulabilirseniz, neden NA'ya ihtiyacınız var? Onsuz her şeyi yapabilirsiniz.)
Ne yazdığını anladın mı? Hedef aranmaz, modelin ne öğrenmesi gerektiği ön olarak tanımlanır. Ne algoritmasından bahsediyorsun?
NS ve diğer DM'lere tam olarak bilmediğiniz zamanlarda ihtiyaç duyulur.
Neyi bilmiyoruz?
Öğrenme algoritmalarına gelince, bunlar her özel görev için geliştirilir ve değiştirilir. Çoğunlukla temele dayalıdır.
Burada çözülmesi gereken iki görevden bahsediyoruz: regresyon ve sınıflandırma (kümeleme ve sıralamayı atlıyoruz). Aklınızda başka hangi "belirli görevler" var?
Ama söylediğin şey havanın sallanması. Girişin ötesinde bir şeyler okuyun. )
???
İyi şanlar.