Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2219

[mytarmailS]

Maksim Dmitrievski :

GMM dışında başka bir kümeleme denediniz mi?

[Maxim Dmitrievsky]

mytarmailS :

GMM dışında başka bir kümeleme denediniz mi?

kümelemeye değil, yoğunluk tahminine ihtiyacımız var. Uygun kodlayıcı ve GAN

ML'de kuyruklu dağıtımlarla çalışmak için özel teknikler var, ancak henüz onlara tam olarak yetişemedim.

mesela şöyle bir şaka var. Kuyruklu bir dağıtım için (ve artışlar tam da bunu oluşturur), herhangi bir şeyin yeni veriler üzerinde çalışması için eğitim örnek boyutunun neredeyse sonsuz olması gerekir. Ve kanıtlanmıştır. Ne düşünüyorsun?

[mytarmailS]

Maksim Dmitrievski :

kümelemeye değil, yoğunluk tahminine ihtiyacımız var. Uygun kodlayıcı ve GAN

ML'de kuyruklu dağıtımlarla çalışmak için özel teknikler var, ancak henüz onlara tam olarak yetişemedim. Bu kelimenin tam anlamıyla var olan en yeni şey.

sadece bir şey anlayamıyorum

modeli iki küme üzerinde eğitti

> gm <- ClusterR::GMM(X,gaussian_comps = 2 )
> gm
$centroids
            [, 1 ]       [, 2 ]       [, 3 ]
[ 1 ,] - 0.24224591 - 0.5103346    0.7653689
[ 2 ,]   0.07675401    0.1668665 - 0.2967750

$covariance_matrices
         [, 1 ]      [, 2 ]      [, 3 ]
[ 1 ,] 1.169446 0.5971381 0.5771400
[ 2 ,] 1.006148 0.7724611 0.8297428

$weights
[ 1 ] 0.2505878 0.7494122

$Log_likelihood
            [, 1 ]      [, 2 ]
 [ 1 ,]  - 4.060188 - 3.111429
 [ 2 ,]  - 6.105358 - 3.516479
 [ 3 ,]  - 4.301979 - 4.310115
 [ 4 ,]  - 3.752352 - 3.583401
 [ 5 ,]  - 3.172447 - 3.302278
 [ 6 ,]  - 7.849530 - 5.254127
 [ 7 ,]  - 3.055816 - 3.157801
 [ 8 ,]  - 5.307695 - 2.795444
 [ 9 ,] - 11.721658 - 6.764240
[ 10 ,] - 10.575876 - 5.565554
[ 11 ,]  - 6.760511 - 5.193087
[ 12 ,]  - 3.978182 - 5.066543
[ 13 ,]  - 2.577926 - 4.418768
[ 14 ,]  - 4.398716 - 3.614050
[ 15 ,]  - 4.082245 - 5.268694
[ 16 ,]  - 2.918141 - 2.901401
[ 17 ,]  - 9.153176 - 4.797331
[ 18 ,]  - 5.678321 - 3.599856
[ 19 ,]  - 4.500670 - 2.622113
[ 20 ,]  - 2.965878 - 4.415078
[ 21 ,]  - 4.453389 - 4.152286
[ 22 ,]  - 5.365306 - 4.368355
[ 23 ,]  - 8.533327 - 3.813763
[ 24 ,]  - 4.142515 - 2.811048
[ 25 ,]  - 7.174136 - 5.631351
[ 26 ,]  - 5.063518 - 3.491408
[ 27 ,]  - 4.935992 - 8.336194
[ 28 ,]  - 4.210241 - 5.869093
[ 29 ,]  - 3.605818 - 2.577456
[ 30 ,]  - 3.670845 - 5.686447
[ 31 ,]  - 2.733389 - 5.010803
[ 32 ,]  - 3.730563 - 2.646749
[ 33 ,]  - 3.201767 - 3.689452
[ 34 ,]  - 4.879268 - 3.111545

dağıtım nedir

$centroids

veya

$covariance_matrices

ve onları nasıl simüle edeceğinizi (benzerlerini üretin)

[mytarmailS]

Maksim Dmitrievski :

Ve kanıtlanmıştır. Ne düşünüyorsun?

Bomba.

Nerede okudun?

[Maxim Dmitrievsky]

mytarmailS :

Bomba.

Nerede okudun?

bazı makaleler gördüm

buraya bak

https://venturebeat.com/2020/08/14/how-to-improve-ai- economics-by-taming-the-long-tail-of-data/

[Maxim Dmitrievsky]

mytarmailS :

sadece bir şey anlayamıyorum

modeli iki küme üzerinde eğitti

dağıtım nedir

veya

ve onları nasıl simüle edeceğinizi (benzerlerini üretin)

eğitimli bir modelden örneklemenizi sağlayan bir paket arayın

[mytarmailS]

Maksim Dmitrievski :

eğitimli bir modelden örneklemenizi sağlayan bir paket arayın

İşte üç dağılım (satır)

Normal Mixture' object   ``#9 Trimodal'' 
       mu sigma    w
[1,] -1.2  0.60 0.45
[2,]  1.2  0.60 0.45
[3,]  0.0  0.25 0.10

Böyle mi görünmesi gerekiyor?

[Maxim Dmitrievsky]

mytarmailS :

İşte üç dağılım (satır)

Böyle mi görünmesi gerekiyor?

bunlar Gauss parametreleridir

[Valeriy Yastremskiy]

Maksim Dmitrievski :

kümelemeye değil, yoğunluk tahminine ihtiyacımız var. Uygun kodlayıcı ve GAN

ML'de kuyruklu dağıtımlarla çalışmak için özel teknikler var, ancak henüz onlara tam olarak yetişemedim.

mesela şöyle bir şaka var. Kuyruklu bir dağıtım için (ve artışlar tam da bunu oluşturur), herhangi bir şeyin yeni veriler üzerinde çalışması için eğitim örnek boyutunun neredeyse sonsuz olması gerekir. Ve kanıtlanmıştır. Ne düşünüyorsun?

Peki, orada, sadece kuyruklu artışlarla, fiyat serisinin SB ile benzerliğini kanıtladılar.)))) Ve sonuç olarak, ne işe yarar, tüm seriye bakmanız gerekir, yani. ya da serinin sonsuz olduğunu kabul edersek, geleceğin serisi tanınacaktır. Sanki sonuç, sonsuz bir seride sonsuz sayıda varyasyon olduğu ve onları eğitip göreceğiz.

Pratik yapmak için işe yaramaz, ancak anlamanız gerekir.

Shl ve yoğunluk değerlendirmeden sonra bölümlere ayrılabilir.

[Maxim Dmitrievsky]

Valeriy Yastremskiy :

Peki, orada, sadece kuyruklu artışlarla, fiyat serisinin SB ile benzerliğini kanıtladılar.)))) Ve sonuç olarak, ne işe yarar, tüm seriye bakmanız gerekir, yani. ya da serinin sonsuz olduğunu kabul edersek, geleceğin serisi tanınacaktır. Sanki sonuç, sonsuz bir seride sonsuz sayıda varyasyon olduğu ve onları eğitip göreceğiz.

Pratik yapmak için işe yaramaz, ancak anlamanız gerekir.

Tehdit ve yoğunluk değerlendirme sonrası bölümlere ayrılabilir.

bölümlere ayırın ve en sık görülen örnekleri seçin, gerisini gürültü olarak atın

veya tam tersi, nadir olaylara sınırlar çizmek için

makaleden de anlaşılacağı gibi, bu genellikle gerçek dünyanın bir sorunudur ve sadece forex değildir. Ve dolandırıcılar bununla farklı alanlarda mücadele ediyor