Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 908

Yeni yorum
 
Michael Marchukajtes :

Vtreat.R

Teşekkür ederim.

R'de bir şey mi?

Setimi Rattle'da denedim - tüm ağlarda eğitimi seçtim, sonuç olarak çok düşündükten sonra bir hata yakaladım


 
elibrarius :

döngülerde)

Ancak tüm kombinasyonlar ve PC'ler günlerce sayılacak ...
10 öngörücü, kombinasyon 2^10 = 1024

20 öngörücü = 2^20 = 1048576

Pek çok kez orman/NS'nin eğitilmesi gerekiyor.

Evet, acelem yok ... onu ayrı bir bilgisayara atabilir ve kendin saymasına izin verebilirsin.

Ama ne tür bir yazılım buna değer?

 
Michael Marchukajtes :

Vtreat.R

Nasıl çalıştırabilirsin? Ben vtrear () diyorum ve yemin ediyor. 

--- Пожалуйста, выберите зеркало CRAN для использования в этой сессии ---
пробую URL 'https://cran.univ-paris1.fr/bin/windows/contrib/ 3.5 /vtreat_1. 0.4 .zip'
Content type 'application/zip' length 975668 bytes ( 952 KB)
downloaded 952 KB

пакет ‘vtreat’ успешно распакован, MD5-суммы проверены

Скачанные бинарные пакеты находятся в
        C:\Users\S_V_A\AppData\Local\Temp\RtmpeQVyba\downloaded_packages
> local({pkg <- select.list(sort(.packages(all.available = TRUE )),graphics= TRUE )
+ if (nchar(pkg)) library (pkg, character.only= TRUE )})
> vtrear()
Ошибка в vtrear() :не могу найти функцию "vtrear"
> utils:::menuInstallPkgs()
 
Maksim Dmitrievski :

resimler olacak? boştan boşa iyi, iyi olanlarla ve NS'ye gerek yok, lol :)

Bilmiyorum bile… Doc, MKUL'un tüm kodlarını da verdi, böylece model hemen MT'de kullanılabilir. MT ve R arasındaki bağlantılarınız ve köprüleriniz oradakilerden daha dik.Genel olarak, görev Reshetov ve R optimizer'de elde edilen modeller arasında karşılaştırmalı bir değerlendirme yapmak.Elmnn hakkında sevmediğim tek şey, önemli değil. kaç kez eğitsem, OOS'ta her zaman aynı sonucu veriyor. Yani antrenman yapma, antrenman yapma, yine de alacaksın :-) Ama iş daha yeni başladı ve emin bir karar için daha fazla test gerekiyor...

 
Alexey Vyazmikin :

Nasıl çalıştırabilirsin? Ben vtrear () diyorum ve yemin ediyor. 

forexFeatures<-forexFeatures1[i:n_rw, 1 :n_enter+ 1 ]
set.seed( 1234 )
#designTreatmentsC подходит только для классификации с двумя классами
treatmentsC <- designTreatmentsC(dframe = forexFeatures,
                                varlist=colnames(forexFeatures)[-ncol(forexFeatures)], #названия колонок с предикторами (тут - все кроме последней колонки)
                                 outcomename = colnames(forexFeatures)[ncol(forexFeatures)], #названия колонок с таргетом (тут - последняя колонка)
                                 outcometarget = "1" ) #текст или цифра одного из классов
#обработка, сортировка результата
treatmensC_scores <- treatmentsC$scoreFrame[order(treatmentsC$scoreFrame$sig),]
treatmensC_scores <- treatmensC_scores[!duplicated(treatmensC_scores$origName),]
treatmensC_scores <- treatmensC_scores[,c( "origName" , "sig" )] 
treatmensC_scores$is_good <- treatmensC_scores$sig <= 1 /nrow(forexFeatures)
treatmensC_scores

Genelde böyle bir şey. Ancak bu, yalnızca 0 ve 1'in olduğu hedef sınıflandırması için bir tahmindir. Regresyon için, orada farklıdır, böyle...

 

Rastgele bir orman modelinin sonucu nasıl doğru yorumlanır - iyi mi kötü mü? 

Summary of the Random Forest Model
==================================

Number of observations used to build the model: 282752
Missing value imputation is active.

Call:
 randomForest(formula = as .factor(arr_Sell) ~ .,
              data = crs$dataset[crs$sample, c(crs$ input , crs$target)],
              ntree = 500 , mtry = 5 , importance = TRUE , replace = FALSE , na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 5

        OOB estimate of  error rate: 0.85 %
Confusion matrix:
      - 1        0 class .error
- 1 21438    1825 0.078450759
0      584 258905 0.002250577

Analysis of the Area Under the Curve (AUC)  
==========================================

Call:
roc. default (response = crs$rf$y, predictor = as .numeric(crs$rf$predicted))

Data: as .numeric(crs$rf$predicted) in 23263 controls (crs$rf$y - 1 ) < 259489 cases (crs$rf$y 0 ).
Area under the curve: 0.9596

95 % CI: 0.9579 - 0.9614 (DeLong)

Variable Importance
===================

                                 - 1        0 MeanDecreaseAccuracy
arr_iDelta_MN1               138.27 133.11                140.22
arr_iDelta_H6                 125.08 121.39                133.93
arr_iDelta_H12               123.70 122.14                133.35
arr_Regresor                 128.66 115.53                127.84
arr_iDelta_W1                 139.04 113.42                127.63
arr_iDelta_Min_D1             116.08 109.00                118.71
arr_LastBarPeresekD_Up_M15   104.77 115.87                118.67
arr_LastBarPeresekD_Down_M15 101.57 111.98                114.99
arr_TimeH                     109.29 110.21                111.94
arr_iDelta_Max_H1             106.04 102.77                109.00
arr_DonProcVisota             95.92 109.61                106.40
arr_iDelta_D1                 116.65    90.42                103.11
arr_iDelta_Max_D1             96.33    94.41                101.86
arr_iDelta_H4                 78.47    90.86                  90.15
arr_DonProc_M15               78.25    84.56                  85.65
arr_Den_Nedeli                 83.49    81.88                  83.28
arr_DonProc                   58.30    84.22                  76.08
arr_iDelta_H3                 55.64    64.18                  62.44
arr_RSI_Open_H1               70.07    47.21                  58.58
arr_LastBarPeresekD_Up         49.16    59.19                  56.28
arr_iDelta_Min_H1             47.12    60.19                  55.55
arr_Vektor_Week               53.23    52.12                  54.44
arr_iDelta_H1                 41.20    48.63                  46.96
arr_Vektor_Don_M15             46.79    40.64                  45.61
arr_LastBarPeresekD_Down       33.46    42.79                  39.32
arr_Vektor_Day                 31.94    32.05                  32.78
arr_Vektor_Don                 18.94    22.51                  21.50
arr_BB_Center                 19.91    21.46                  21.07
arr_RSI_Open_M1               24.14    15.21                  18.13
arr_BB_Down                   18.22    13.54                  15.41
arr_BB_Up                     11.74    12.82                  13.13
                             MeanDecreaseGini
arr_iDelta_MN1                         1786.84
arr_iDelta_H6                         1257.97
arr_iDelta_H12                         1286.82
arr_Regresor                           1162.09
arr_iDelta_W1                         1611.97
arr_iDelta_Min_D1                     1009.56
arr_LastBarPeresekD_Up_M15             990.33
arr_LastBarPeresekD_Down_M15           1051.66
arr_TimeH                             1718.65
arr_iDelta_Max_H1                       945.35
arr_DonProcVisota                     1146.33
arr_iDelta_D1                         1179.92
arr_iDelta_Max_D1                     1036.35
arr_iDelta_H4                         1182.16
arr_DonProc_M15                       1102.40
arr_Den_Nedeli                         1185.70
arr_DonProc                             699.24
arr_iDelta_H3                         1163.34
arr_RSI_Open_H1                         228.25
arr_LastBarPeresekD_Up                 839.31
arr_iDelta_Min_H1                       760.00
arr_Vektor_Week                         278.21
arr_iDelta_H1                           778.78
arr_Vektor_Don_M15                     220.85
arr_LastBarPeresekD_Down               731.15
arr_Vektor_Day                         155.12
arr_Vektor_Don                         215.34
arr_BB_Center                           155.38
arr_RSI_Open_M1                         99.55
arr_BB_Down                             82.22
arr_BB_Up                               56.65

Time taken: 1.26 hours

Rattle timestamp: 2018 - 05 - 14 04 : 12 : 32 S_V_A
======================================================================

Test verilerinde (%15) 

Error matrix for the Random Forest model on Pred_023.csv [test] (counts):

      Predicted
Actual   - 1      0 Error
    - 1 4502    409    8.3
     0    125 55555    0.2

Error matrix for the Random Forest model on Pred_023.csv [test] (proportions):

      Predicted
Actual  - 1      0 Error
    - 1 7.4    0.7    8.3
     0    0.2 91.7    0.2

Overall error: 0.9 %, Averaged class error: 4.25 %

Rattle timestamp: 2018 - 05 - 14 12 : 48 : 08 S_V_A

Bu şekilde iki dosyaya bölemedim, kimse anlaşılır bir şekilde açıklayamıyor :(

 
Alexey Vyazmikin :

Nasıl çalıştırabilirsin? Ben vtrear () diyorum ve yemin ediyor.

Paket farklı şekilde çağrılır ve şunlara ihtiyacınız vardır:

kitaplık(vtreat)

Paket birkaç özellik içeriyor, belgeleri hangi tembellik açtı?

 
Michael Marchukajtes :

Genelde böyle bir şey. Ancak bu, yalnızca 0 ve 1'in olduğu hedef sınıflandırması için bir tahmindir. Regresyon için, orada farklıdır, böyle...

Onlar. grafik kabuğu var mı? Ve nasıl yardım çağırılır?

 
San Sanych Fomenko :

Paket farklı şekilde çağrılır ve şunlara ihtiyacınız vardır:

kitaplık(vtreat)

Paket birkaç özellik içeriyor, belgeleri hangi tembellik açtı?

Belgeleri nereden alabilirim?

 
Alexey Vyazmikin :

Onlar. grafik kabuğu var mı? Ve nasıl yardım çağırılır?

Numara. Ama her şeyi bana mükemmel bir şekilde excel'de yükleyen bir senaryo yazdım ve sonra zaten orada bir araya geldim. Senaryoyu veremem, çünkü benim beynim var .... Orada harika bir orijinal şey yaptım. Tahminleri kimsenin nasıl değerlendirdiğini bilmiyorum, ancak sonuç, daha fazla analiz için çok okunabilir, uygun bir tablo ... Bunun gibi bir şey ...

1...901902903904905906907908909910911912913914915...3399
Yeni yorum