Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası

Aliaksandr Hryshyn 2020.07.27 04:55 #19211

Maksim Dmitrievski :

Altay .. ama sonuncuya gitmedim. an, fazla istenen)

Bu arada, artılarda mısın?

Catbust modellerini ayrıştırmak için yalnızca sürekli değişkenler için kod paylaşabilirim. C++ kodunun okunması, MQL dizilerine dönüştürülmesi ve çalıştırılması. Tüm olası parametrelerle çalışacağını söyleyemem, belirli bir format için yaptım.

Maxim Dmitrievsky 2020.07.27 05:18 #19212

Aliaksandr Hryshyn :
Catbust modellerini ayrıştırmak için yalnızca sürekli değişkenler için kod paylaşabilirim. C++ kodunun okunması, MQL dizilerine dönüştürülmesi ve çalıştırılması. Tüm olası parametrelerle çalışacağını söyleyemem, belirli bir format için yaptım.

peki ya ayrıştırma? python'da her şeye sahibim

orada bu formatta dışarı tükürür. İkili Sınıflandırıcı

 #include < string >
#include <vector>

/* Model data */
static const struct CatboostModel {
     unsigned int FloatFeatureCount = 24 ;
     unsigned int BinaryFeatureCount = 149 ;
     unsigned int TreeCount = 38 ;
     unsigned int TreeDepth[ 38 ] = { 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 , 4 };
     unsigned int TreeSplits[ 152 ] = { 111 , 141 , 18 , 122 , 100 , 119 , 14 , 81 , 123 , 46 , 70 , 33 , 137 , 63 , 95 , 12 , 136 , 61 , 56 , 27 , 135 , 98 , 78 , 44 , 138 , 80 , 147 , 36 , 142 , 125 , 65 , 92 , 94 , 55 , 77 , 112 , 113 , 120 , 58 , 17 , 133 , 35 , 16 , 71 , 130 , 117 , 76 , 68 , 103 , 99 , 54 , 29 , 110 , 64 , 41 , 3 , 116 , 140 , 106 , 88 , 127 , 87 , 118 , 69 , 128 , 105 , 8 , 45 , 148 , 79 , 121 , 109 , 102 , 124 , 62 , 131 , 146 , 66 , 5 , 104 , 86 , 139 , 93 , 11 , 20 , 67 , 4 , 89 , 59 , 143 , 51 , 32 , 30 , 144 , 42 , 53 , 2 , 40 , 19 , 25 , 90 , 115 , 50 , 75 , 7 , 129 , 82 , 73 , 79 , 24 , 49 , 0 , 114 , 38 , 97 , 31 , 37 , 72 , 126 , 107 , 47 , 96 , 43 , 23 , 22 , 34 , 26 , 15 , 86 , 10 , 28 , 84 , 39 , 74 , 9 , 57 , 145 , 83 , 132 , 134 , 52 , 101 , 108 , 21 , 126 , 91 , 1 , 48 , 13 , 60 , 85 , 6 };
     unsigned int BorderCounts[ 24 ] = { 0 , 2 , 7 , 5 , 5 , 2 , 5 , 6 , 3 , 4 , 6 , 2 , 9 , 8 , 6 , 9 , 7 , 5 , 7 , 6 , 5 , 8 , 8 , 24 };
     float Borders[ 149 ] = {- 0.000455000001 f, - 0.000224999996 f, - 0.00365500012 f, 0.000404999999 f, 0.000615000026 f, 0.000675000018 f, 0.00104500004 f, 0.00156 f, 0.00159500004 f, - 0.00115499995 f, - 0.000969999994 f, - 0.000215000007 f, - 1.49999996 e- 05 f, 0.000854999991 f, - 0.00139999995 f, - 6.50000002 e- 05 f, 0.000375000003 f, 0.000615000026 f, 0.000905000023 f, 0.000555000035 f, 0.000864999951 f, - 0.000505000004 f, - 0.000364999985 f, 0.000264999981 f, 0.000385000021 f, 0.001085 f, - 0.00156500004 f, - 0.000914999982 f, - 0.000415000017 f, - 7.50000036 e- 05 f, 0.000705000013 f, 0.000864999951 f, - 4.99999987 e- 06 f, 0.000224999996 f, 0.000274999999 f, - 0.00166499999 f, - 0.00149499997 f, - 0.000364999985 f, 0.0014500001 f, - 0.00346500007 f, - 0.00191999995 f, - 0.00103499996 f, 0.000224999996 f, 0.00164999999 f, 0.00318 f, - 0.00142500002 f, - 0.00111499999 f, - 0.00681000017 f, - 0.00107500004 f, 0.000104999999 f, 0.000185000012 f, 0.000505000004 f, 0.000564999995 f, 0.00059499999 f, 0.00116500002 f, 0.00246499991 f, - 0.00215499988 f, - 0.0020349999 f, 0.000155000002 f, 0.00059499999 f, 0.000725000049 f, 0.00143499998 f, 0.00159500004 f, 0.00461499998 f, - 0.00113500003 f, - 5.49999968 e- 05 f, 6.50000002 e- 05 f, 7.50000036 e- 05 f, 0.000735000009 f, 0.00431500003 f, - 0.000439999974 f, - 0.000224999996 f, - 0.000155000002 f, - 0.000135000009 f, 0.000325000001 f, 0.000534999999 f, 0.000714999973 f, 0.001605 f, 0.0020349999 f, - 0.00679500028 f, - 0.00156500004 f, - 0.00130999996 f, - 0.000815000036 f, - 0.000484999997 f, 0.000274999999 f, 0.00126500009 f, - 0.00630000001 f, - 0.000965000014 f, - 0.000914999982 f, 0.000944999978 f, 0.001085 f, - 0.00104500004 f, - 0.000570000033 f, - 0.000135000009 f, 0.000415000017 f, 0.000774999964 f, 0.00129000004 f, 0.00136499992 f, - 0.00214500003 f, - 0.00078500004 f, 0.000564999995 f, 0.000969999994 f, 0.00129500008 f, 0.00171500002 f, - 0.00109499996 f, - 0.000665 f, - 0.000505000004 f, - 0.000455000001 f, 0.00092000002 f, - 0.00078500004 f, - 0.00033000001 f, 0.000375000003 f, 0.000754999986 f, 0.000944999978 f, 0.000974999974 f, 0.00135000004 f, 0.00179500005 f, - 0.000735000009 f, - 0.000195000001 f, - 0.000140000004 f, - 4.50000007 e- 05 f, 2.49999994 e- 05 f, 0.000549999997 f, 0.000729999971 f, 0.00175000005 f, - 0.000645000022 f, - 0.000404999999 f, - 0.000390000001 f, - 0.00033000001 f, - 0.000315000012 f, - 0.000204999989 f, - 0.000195000001 f, 4.99999987 e- 05 f, 6.50000002 e- 05 f, 0.000109999994 f, 0.000230000005 f, 0.000245000003 f, 0.000354999996 f, 0.00046499999 f, 0.000484999997 f, 0.000495000044 f, 0.00059499999 f, 0.000684999977 f, 0.000705000013 f, 0.000725000049 f, 0.00109999999 f, 0.00122500001 f, 0.00124499993 f, 0.00194999995 f, };

     /* Aggregated array of leaf values for trees. Each tree is represented by a separate line: */
     double LeafValues[ 608 ] = {
         0.2730029119914884 , 0.03364653273046463 , - 0.2371262400839919 , 0.1081843550866285 , 0.1343627920272425 , - 0.1126874256586927 , - 0.1126874256586927 , - 0.1126874256586927 , - 0.06059264820464742 , 0.06930028482667829 , 0 , - 0.249182516740322 , 0 , - 0.04043442721784622 , 0.1126874256586928 , - 0.246778769760217 ,
         0.3055616697384914 , 0 , 0 , 0 , 0.3295134099067072 , 0 , - 0.001400906528597944 , 0.1109887188810945 , 0.3268369286843394 , 0.09915101998784448 , 0.1058842186334935 , - 0.2170923208654514 , 0.2805477815282972 , 0.1585452078030638 , 0.04581636331023499 , - 0.1482988821054673 ,
         0.2661001303798985 , 0 , 0.2465781759237509 , - 0.1025474154359036 , 0.1236081969018748 , - 0.1513185903680103 , 0.09970504556623555 , - 0.1329324554655258 , 0.1311330854183022 , 0 , 0.1102178581205619 , - 0.09318782033023576 , 0 , 0 , 0.0984009666714989 , - 0.2078721521946149 ,
         0.2318376125278687 , - 0.1062335532728426 , 0 , 0 , 0.08412564157842428 , - 0.1469343266107289 , 0 , - 0.08357104102221358 , 0.1653044215102119 , - 0.03314292702875558 , 0 , 0 , 0.003358906412990077 , - 0.1912230767439488 , 0 , - 0.2522267340231065 ,
         0.1973025375909275 , 0 , 0 , 0 , 0.4228820616711522 , - 0.07638314839084562 , 0 , 0 , 0.2694211287720111 , 0 , 0 , 0 , 0.1652145942168661 , - 0.08206648374492893 , - 0.1450852254716266 , - 0.1363614260665522 ,
         0.2270555010525044 , 0 , 0.1627207525378816 , - 0.06377453863892701 , 0 , 0 , - 0.1357966649842286 , - 0.2427437659214983 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , - 0.1803912820573122 ,
         0.1804444671623995 , - 0.1017902080898772 , 0.2133898509109472 , 0.2517605145878034 , 0 , 0 , 0 , 0.0667661734515297 , 0.2610915548565391 , 0 , 0.1052820435018607 , - 0.04560350655907942 , 0 , 0 , 0 , - 0.3270645727235584 ,
         0.3575664582748267 , 0 , - 0.0134804607394401 , - 0.04992725827315483 , 0.2020647226798946 , 0 , - 0.03385866654059267 , 0 , 0.2644495544004545 , 0 , 0.05182748809759461 , - 0.1768682974102572 , 0.2407016500831285 , 0 , 0.04550057548317996 , - 0.119019763974849 ,
         0.08658245310355768 , - 0.02639731363946828 , 0 , 0 , - 0.07937732361985407 , 0.2547371055272361 , 0 , 0 , 0.02587599274452583 , - 0.05393875649408716 , 0 , 0 , 0 , - 0.1657068825017175 , 0 , - 0.2049254584747038 ,
         0.1440498437609123 , 0.1101736004819604 , 0.005464554800258488 , - 0.03812379875242829 , 0.1819257725985174 , 0 , 0.02309394186822163 , - 0.08799582858720537 , 0.08924300136100559 , 0 , - 0.1587820248277704 , 0 , 0.07685524153284377 , 0 , 0.03664203213434057 , - 0.1531993322169632 ,
         0.09806057100343098 , - 0.09888524364037948 , 0.2135150121698442 , - 0.09009400810853242 , 0.07220208574561482 , 0 , 0.06638832682433267 , - 0.08176789304081045 , 0.0580997781754348 , 0.2757911650361233 , 0.2520388352390843 , - 0.03558969703545899 , 0 , 0 , 0.05616828900715019 , - 0.05996334853624528 ,
         0.3034312237500126 , - 0.3295604473826144 , 0.1887070939415764 , - 0.01674053821735176 , 0.04203126063490011 , 0 , 0.06936231294655706 , - 0.04128791044025015 , 0 , 0 , 0.1230751670630003 , - 0.02722926856756647 , 0.03326065080614352 , 0 , 0.06968005579997801 , - 0.05689069395020619 ,
         0.1144715475069234 , 0 , 0.01532939962304299 , - 0.09842006335636103 , 0 , 0 , 0.3532831730583329 , - 0.1424529047285753 , 0.1130693244873004 , 0 , - 0.001413815681729 , - 0.1730902495689088 , 0 , 0 , - 0.003744815582707896 , - 0.2340067817777089 ,
         0.0582716295838749 , 0.05887691806098397 , 0.1830039055150205 , 0.1275695040047543 , 0.2265370556123239 , 0.05865002066522316 , 0.1412030624760486 , - 0.04465374880604451 , 0.1016168407643287 , - 0.1696982846816441 , 0.0168802138361802 , - 0.09464076746916356 , 0.118358865381315 , 0.07766416051208853 , - 0.004086300252646373 , 0.01145464025038506 ,
         0.09893204118662431 , 0 , 0 , 0 , - 0.1771744077440305 , 0 , - 0.08956662944160931 , 0 , 0.06459969382272165 , 0 , - 0.09920331948638744 , 0 , 0.06208790080353844 , - 0.06391545778445595 , - 0.03815083591344838 , - 0.193220691727352 ,
         0.2084212418556134 , - 0.2711170554066691 , 0.3287662064308552 , 0.04618819791309881 , 0.02295062367871115 , 0.06903818051790414 , 0.06785880462261525 , - 0.01900550327916934 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , - 0.1379757023193675 ,
         0.1277198477469503 , - 0.1045845285066445 , 0.06646719763990752 , - 0.006328728989568992 , 0 , 0 , 0 , 0 , 0.2991650315125301 , - 0.1609657699217688 , 0.1807990380964121 , - 0.02247201152624968 , 0.06039630602452812 , 0 , 0.07323877669092338 , 0.1041619957787472 ,
        - 0.1701607137827854 , 0 , 0.08119342965694411 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0.02263621203523299 , 0 , 0 , 0 , 0.001461819609651068 , - 0.3310861822552173 ,
         0.1708582471998724 , 0 , 0 , 0 , 0 , - 0.08085455495800464 , 0 , 0 , - 0.02242709602120458 , - 0.01626809043535743 , - 0.08378843901194441 , - 0.1314392215326333 , 0.1670789581203374 , - 0.03477863896354667 , - 0.02057073074698931 , - 0.132977812589716 ,
         0.01576995464742881 , 0 , 0.05788166290521737 , 0 , 0.1155558453551253 , 0 , 0 , 0 , 0.009175549226526487 , - 0.09285703148627725 , 0.0170554478209398 , - 0.1704207949809702 , - 0.1872038714907393 , 0 , 0.1259508080010625 , - 0.1193817874448983 ,
        - 0.1624959866223847 , 0.03397677382231543 , 0 , - 0.01337295631517065 , 0 , 0.1165918182388884 , 0 , - 0.04635935471889165 , 0 , 0.012563032729967 , 0 , - 0.1185940873147897 , 0 , 0.02522877097419614 , 0 , - 0.02570582073728468 ,
         0.002633980002093404 , 0.0725570801392979 , 0.03442625637449047 , 0.001037481484499863 , - 0.04931529849937184 , - 0.2105671840353762 , 0.1489911821071239 , 0.2202194677045035 , 0.1810528663002426 , 0 , - 0.08188791865647969 , - 0.124584203103273 , 0 , 0.03156045615123341 , 0.05563213612263092 , - 0.04578705044003427 ,
         0.01165640797726642 , - 0.1810863968750629 , - 0.1089920493861719 , 0.05654669419619869 , 0.05301303138076533 , 0.1259240607012236 , - 0.1400660470693698 , 0.06632028296608294 , 0.02792682995145789 , - 0.1631488652519533 , - 0.1472788242094764 , 0.02141183442530574 , 0.284237301261878 , - 0.001197458738763785 , 0.05972702215452129 , - 0.0586075718789894 ,
         0.02490937469062505 , 0.01810224834922746 , - 0.1092925911367815 , - 0.1197570696964759 , 0.008067995573721135 , - 0.1023547665228953 , - 0.09294834637942173 , 0.231300348695698 , 0.2206397515352709 , 0 , - 0.03762173512827768 , 0 , 0.102636146583814 , - 0.04563726647379882 , - 0.0298583349638738 , - 0.03244852061992397 ,
        - 0.1794615195377556 , 0.01921769229013687 , 0 , 0.01044638539736725 , 0 , 0.02781136690266 , 0 , 0.001867775508010755 , 0 , 0.1067785434424472 , 0 , - 0.2932442639776253 , 0 , 0 , 0 , - 0.03241018659571911 ,
        - 0.006510415667175931 , 0.07059931629954573 , - 0.05002576775584883 , 0 , 0.02889911804947202 , 0.1366522086842556 , 0.1459606096328157 , - 0.07315994927835844 , - 0.1602705507235337 , 0.1878187897030766 , - 0.04626610184165392 , - 0.09837710067806367 , 0.05397003977271773 , - 0.04858868406475466 , 0.0649201842045576 , - 0.06524393947925287 ,
         0.1459267556026626 , 0.01372089516811126 , - 0.1001303921089584 , 0 , 0.2092093674681419 , 0.01930448166419142 , - 0.04972139914274094 , 0 , 0.03545870984455322 , 0 , - 0.07554900451460518 , 0 , 0.2137989937258072 , 0.0008411572827327659 , - 0.00117214692641536 , 0.09422976943966678 ,
        - 0.1641700048226127 , 0.07641634809302257 , 0.01054185317373139 , 0.1341178828759175 , 0 , - 0.04019050552180111 , 0 , 0.1596324334341981 , 0 , 0.006806725110812047 , 0 , - 0.1081606151666887 , 0 , 0.01822843651581126 , 0 , - 0.01720619226968497 ,
         0.009025394520361704 , - 0.00389494343189025 , 0.2311406287627894 , - 0.083367208305538 , 0.1730715229027212 , - 0.1114791940489316 , 0 , - 0.1028046654549743 , - 0.07334162028427468 , 0.04581415665697729 , 0.09898474179992452 , 0.1365328178250054 , - 0.04325183693301483 , - 0.002210798573244916 , - 0.1387629807152628 , - 0.08980091117790198 ,
         0.1201356461649662 , 0.1758279743860605 , 0.04350349009977216 , 0.1134402521456353 , - 0.06435518652676646 , - 0.2395731049930946 , 0.08878547365332778 , - 0.03259992777530323 , 0.04016967881155449 , 0.05586731905591313 , 0.02231616278420573 , 0.06715298880059364 , - 0.02931637068858008 , - 0.02727342673220743 , 0.07981966823218006 , - 0.00736687454594985 ,
        - 0.1523999096887992 , 0.01066390065885025 , 0 , - 0.007937651487390564 , 0 , 0.05838570541522675 , 0 , - 0.01764599778668323 , 0.00926922900423862 , - 0.01462296480325223 , 0 , - 0.1231100245909153 , 0 , 0.2071885095206176 , 0 , - 0.07553876970469377 ,
        - 0.007509531863847287 , - 0.03821554347886918 , 0 , 0 , 0.04539951031452136 , - 0.03237816844587264 , 0.1489237277306394 , - 0.06858743023508017 , 0 , 0 , 0 , 0 , - 0.02197724937765806 , - 0.009927643925657297 , 0.1075288047240592 , 0.007583049665065472 ,
        - 0.1438530341047301 , 0.08211619188336085 , 0.009520674504357616 , - 0.035052444268162 , 0 , - 0.2209655809626173 , 0 , 0.02928893608785839 , 0 , 0.2307562221331639 , 0 , 0.004914926553117083 , 0 , - 0.04531825623377965 , 0 , - 0.01478427605905595 ,
        - 0.07585048830556372 , 0.06213280806503956 , 0 , 0 , - 0.2460691271464409 , 0.1587981422466466 , 0 , 0 , 0 , - 0.01873021929806146 , 0 , 0.1355384701582952 , - 0.06505176113152071 , 0.006237844209643408 , 0 , - 0.01139845636090814 ,
         0.03344525515709466 , 0 , 0.05456132700219524 , 0 , - 0.3220774353233821 , 0 , 0.09756717225728033 , 0 , 0 , 0 , 0 , 0 , - 0.05013487401906989 , - 0.1004156738161951 , 0.01006705311047576 , - 0.06297947180380781 ,
         0.03125880796992506 , 0.1620757216856216 , 0.02218793960373364 , 0 , - 0.05510500531128774 , 0 , - 0.1305668615108228 , 0.09175301826776584 , - 0.02241534935432258 , 0.06091737602659867 , 0.1959961615001555 , - 0.08945488952436154 , - 0.1297656911182584 , - 0.0327910998454452 , 0.04823531757180094 , - 0.0451880914096086 ,
        - 0.03549878434185903 , - 0.05751707772342768 , 0.03023724321196803 , - 0.03668922584353116 , 0.1446378062221211 , - 0.1558238670878492 , 0.0440168187902071 , - 0.07335968350547692 , 0.05992982442842611 , 0 , 0.1297678384005503 , 0.001564747370113251 , 0.1215230794033289 , - 0.237198658134785 , 0.1200964187472702 , - 0.003075362232407817 ,
         0.009596007555535021 , - 0.02731003882847802 , - 0.03313751244478664 , 0.2002494267502239 , - 0.00142054347110939 , 0 , - 0.07476518666658544 , 0.06964401248797676 , - 0.1775794863889658 , - 0.02635446781295587 , - 0.04719524974954924 , 0.1681250432344917 , 0 , 0 , 0.08871226782186471 , - 0.01856541295695367
    };
     double Scale = 1 ;
     double Bias = 0 ;
} CatboostModelStatic;

/* Model applicator */
double ApplyCatboostModel(
     const std::vector< float >& features
) {
     const struct CatboostModel& model = CatboostModelStatic;

     /* Binarise features */
    std::vector< unsigned char > binaryFeatures(model.BinaryFeatureCount);
     unsigned int binFeatureIndex = 0 ;
     for ( unsigned int i = 0 ; i < model.FloatFeatureCount; ++i) {
         for ( unsigned int j = 0 ; j < model.BorderCounts[i]; ++j) {
            binaryFeatures[binFeatureIndex] = ( unsigned char )(features[i] > model.Borders[binFeatureIndex]);
            ++binFeatureIndex;
        }
    }

     /* Extract and sum values from trees */
     double result = 0.0 ;
     const unsigned int * treeSplitsPtr = model.TreeSplits;
     const double * leafValuesForCurrentTreePtr = model.LeafValues;
     for ( unsigned int treeId = 0 ; treeId < model.TreeCount; ++treeId) {
         const unsigned int currentTreeDepth = model.TreeDepth[treeId];
         unsigned int index = 0 ;
         for ( unsigned int depth = 0 ; depth < currentTreeDepth; ++depth) {
            index |= (binaryFeatures[treeSplitsPtr[depth]] << depth);
        }
        result += leafValuesForCurrentTreePtr[index];
        treeSplitsPtr += currentTreeDepth;
        leafValuesForCurrentTreePtr += ( 1 << currentTreeDepth);
    }
     return model.Scale * result + model.Bias;
}

double ApplyCatboostModel(
     const std::vector< float >& floatFeatures,
     const std::vector<std:: string >&
) {
     return ApplyCatboostModel(floatFeatures);
}

Aliaksandr Hryshyn 2020.07.27 06:05 #19213

MQL

mql dizileri alın

Maxim Dmitrievsky 2020.07.27 06:09 #19214

Aliaksandr Hryshyn :
MQL

sakıncası yoksa paylaş

belki işe yarar bir şeyler alırım

Aliaksandr Hryshyn 2020.07.27 06:10 #19215

Maksim Dmitrievski :

sakıncası yoksa paylaş

belki işe yarar bir şeyler alırım

Sadece daha sonra eve geldiğimde

mytarmailS 2020.07.27 07:33 #19216

Alexey Vyazmikin :

Bu tür kümelemenin kural oluşturmadığını fark etti,

Evet, kuralları oluşturan kümeleme algoritmasını hiç bilmiyorum

Bir soru olduğu anlamına gelir - csv'de her sınıfa bir satırın aksesuarını nasıl kaydedebilirim?

write.csv(myfile, file = "C:\\Users\\......\\myfile.csv" , sep = ";" ,row.names = F,col.names = T)

Garip olmasına rağmen, neden aptalca mevcut verilerle kümelemeye devam etmek ve sınıflardan birinde yeni bir satır tanımlamak imkansız, yoksa mümkün mü?

Tabii ki yapabilirsiniz, ancak mikrolitre olarak değil!

Alexey Vyazmikin :
Ama R hakkında bir kitap buldum.

Okumak, harika bir kitap

Alexey Vyazmikin :

Ve sonuçları belirli bir sütuna nasıl alacağımı anlamıyorum?

gerçekten ne istediğini anlamıyorum

Alexey Vyazmikin :

Bu resimde daha önce olduğu gibi aynı tahmin ediciler var, ancak örneklem boyutu farklı ve en önemlisi yeni tahmin ediciler eklendi.

Ve işte nasıl yorumlanacağı - yeniden eğitim eğilimi?

Daha önce söyledim, aletin amacına göre yorumlayın ve bir çiçekle çivi çakmaya çalışıyorsunuz.

https://ru.wikipedia.org/wiki/%D0%A1%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0 %B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%B5%D0 %B4%D0%B8%D0%BD%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%20%D0%B2%D0%BE%D0 %B7%D0%BC%D0%BE%D0%B6%D0%BD%D1%8B%D0%BC%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0 %BD%D1%82%D0%BE%D0%BC.-,%D0%9F%D1%80%D0%B5%D0%B8%D0%BC%D1%83%D1%%89D0%B5% D1%81%D1%82%D0%B2%D0%B0%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F% 20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8,%D1%82 %D0%B0%D0%BA%D0%B8%D0%BC%20%D0%BA%D0%B0%D0%BA%202D%20%D0%B8%D0%BB%D0%B8%203D.

Özellik seçimi [ düzenle ] | kodu düzenle ]

Ana makale: Öznitelik Seçimi

Yöntem Öznitelik Seçimi orijinal değişkenlerin (özellikler veya nitelikler olarak adlandırılan) bir alt kümesini bulmaya çalışır. Üç strateji vardır - strateji filtre (Örneğin, özelliklerin toplanması ^[tr] ), strateji Vücut sarımı (örneğin, doğruluğa göre arama) ve strateji yatırımlar (model tahmin hatalarına dayalı olarak oluşturulduğu için özellikler eklenecek veya kaldırılacak şekilde seçilir). Ayrıca bkz. görevler kombinatoryal optimizasyon .

Bazı durumlarda, regresyon veya sınıflandırma gibi veri analizi , küçültülmüş uzayda orijinal uzaydan daha doğru bir şekilde gerçekleştirilebilir ^[3] .

Özellik projeksiyonu [ düzenle ] | kodu düzenle ]

Özellik projeksiyonu, verileri yüksek boyutlu uzaylar düşük boyutlu uzaya. Veri dönüşümü aşağıdaki gibi doğrusal olabilir: ana bileşen yöntemi (MGK), ancak çok sayıda teknik var doğrusal olmayan boyutsallık indirgemesi ^[tr] ^[4] ^[5] . Çok boyutlu veriler için kullanılabilir tensör aracılığıyla boyutsallık azaltma gösterimi altuzayların çok doğrusal öğrenilmesi ^[tr] ^[6] .

dün ne yaptık

Boyut azaltma [ değiştir ] | kodu düzenle ]

Yüksek boyutlu veri kümeleri için (yani, 10'dan fazla boyuta sahip) , boyutsallık azaltma genellikle k-en yakın komşular uygulanmadan önce gerçekleştirilir. ( İngilizce k-en yakın komşu algoritması , k-NN) etkisinden kaçınmak için boyutluluğun lanetleri ^[16] .

Boyut azaltmanın faydaları [ değiştir ] | kodu düzenle ]

Gerekli süreyi ve hafızayı azaltır.
Çoklu bağlantının kaldırılması, bir makine öğrenimi modelinin hızını artırır.
2D veya 3D gibi çok düşük boyutlara indirildiğinde verileri görsel olarak temsil etmek daha kolaydır.

Machine learning in trading: İlginç ve mizah (siyaset Sultonov'un regresyon modeli (RMS)

mytarmailS 2020.07.27 10:02 #19217

Önemli piyasa geri dönüşlerine bakmaya karar verdim. Hedef Olarak Önemli Geri Dönüşler. Kaos olacağını düşünmüştüm ama hayır..

yeşil aç

kırmızı dönüş

gri tersine çevrilmez

2D olarak bir şekilde daha net

daha fazla veri eklendi, ne derse desin, satın alma başına 4 küme ve 4 köy tahsis edildi, şimdi muhtemelen gerekli kümeleri seçmeniz ve her birinde bir tür sınıflandırıcı ile dönüşü olmayandan ayırmaya çalışmanız gerekiyor.

Kahretsin, verilerde ne kadar çöp olduğunu hayal edin, tüm bunlar bir şekilde gerekli bilgilerden ayrılmalıdır.

Burada sıradan kümeleme yapamazsınız

Daha ciddi bir şey denemeniz gerekiyor, örneğin DBscan veya bir şekilde manuel olarak seçebilirsiniz, böyle bir teknolojiyi duyduğum bir yerde

Programcı olmayan, ancak danışman Teoriden pratiğe. Bölüm 2 Kutsal kase!! Sonunda

Rorschach 2020.07.27 10:51 #19218

mytarmailS :

Önemli piyasa geri dönüşlerine bakmaya karar verdim. Hedef Olarak Önemli Geri Dönüşler. Kaos olacağını düşünmüştüm ama hayır..

yeşil aç

kırmızı dönüş

gri tersine çevrilmez

2D olarak bir şekilde daha net

daha fazla veri eklendi, ne derse desin, satın alma başına 4 küme ve 4 köy tahsis edildi, şimdi muhtemelen gerekli kümeleri seçmeniz ve her birinde dönüşü bir tür sınıflandırıcı ile dönüşsüzden ayırmayı denemeniz gerekiyor

Kahretsin, verilerde ne kadar çöp olduğunu hayal edin, tüm bunlar bir şekilde gerekli bilgilerden ayrılmalıdır.

Burada sıradan kümeleme yapamazsınız

Daha ciddi bir şey denemeniz gerekiyor, örneğin DBscan veya bir şekilde manuel olarak seçebilirsiniz, böyle bir teknolojiyi duyduğum bir yerde

Belirli bir küme içindeki işaretleri bir şekilde görebilir miyim?

mytarmailS 2020.07.27 11:15 #19219

Rorschach :

Belirli bir küme içindeki işaretleri bir şekilde görebilir miyim?

ne demek kümelerin özellikleri yoktur, özelliklerin parçalarını deyim yerindeyse benzerlikle birleştirirler.

Rorschach 2020.07.27 11:46 #19220

mytarmailS :

ne demek kümelerin özellikleri yoktur, özelliklerin parçalarını deyim yerindeyse benzerlikle birleştirirler.

Kümedeki özelliklerin değerleri ilgi çekicidir.

Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1922

Özellik seçimi [ düzenle ] | kodu düzenle ]

Özellik projeksiyonu [ düzenle ] | kodu düzenle ]

Boyut azaltma [ değiştir ] | kodu düzenle ]

Boyut azaltmanın faydaları [ değiştir ] | kodu düzenle ]