Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 19

 
Alexey Burnakov :
Hiçbir şey israf edilmedi. İlk ölçümde kümeyi tanıyacağız. sonra bir dizi küme değişikliği olacaktır. Kümeden kümeye geçiş noktalarında, bir kare matris oluşturabilir ve ticaretin MO'sunu değiştirebilirsiniz: n kümesinde satın alma girin, m kümesinde anlaşmayı kapatın. Sonra hücreler için aynı matris. Tüm seçenekler sadece sıralanır. Ve kümeleme parametrelerini değiştirebilir ve sonuca bir döngü içinde bakabilirsiniz.
ve bu ilginç
 
Dr.Tüccar :

Muhtemelen r ve çıngıraklı ormanlar oluşturmak için farklı parametreleriniz vardır, bu nedenle sonuçlar farklıdır. Çıngırakta, ağaç ve değişkenlerin sayısını da değiştirebilirsiniz.

Ve eğitim verilerindeki tıkırtıda %34 ve test verilerinde %3 hata mı var? Test verilerinde bir yanlışlık var, ya bir şekilde eğitim verilerinde zaten var ya da çok küçük bir veri kümeniz var ve bu böyle oldu.

hayır, her aşamada çıngırakta küçük bir hata var

ve R'de her aşamada büyüktür)

parametreler aynıdır ve herhangi bir parametre için böyle bir boşluk mümkün değildir ..

 
Kahretsin, buraya nasıl dosya ekleyebilirim ??? veya nafig takmıyor veya donmuyor ..
 
mytarmailS :

Ve R uzmanları için başka bir soru

kitaplık (kza)

DAT <- norm(1000)

KZP <- kzp(DAT,m=100,k=3)

özet(KZP, basamak=2, üst=3)


bu rakamlarla çalışabilmem için bunu "özet"ten nasıl çıkarabilirim http://prntscr.com/bhtlo9

Bende de bu tür sorunlar var. Genellikle, kullanılabilir değişkenlerin listesini bulmak için öznitelikleri (KZP) yürütmek ve sonra bunlar arasında gezinmek, örneğin KZP$pencere, vb. ve ihtiyacınız olan sayıları bulmak yeterlidir. Ancak burada bu sayılar Özet işlevinin kendisinde oluşturulur ve hiçbir yerde saklanmaz.

İşte kaynak: https://cran.r-project.org/web/packages/kza/index.html, şöyle bir şey yapmanız gerekiyor:

summary.kzp <- function( object , digits = getOption( "digits" ), top= 1 , ...)
{
        cat( " Call:\n " )
        dput( object $call, control=NULL)

        M= object $window
         if ( is . null ( object $smooth_periodogram)) {       d<- object $periodogram } else { d<- object $smooth_periodogram }
        
        mlist<-rep( 0 ,top)
         for (i in 1 :top) {
                mlist[i]<-which.max(d)
                d[which.max(d)]=NA                      
        }

   cat( "\n Frequencies of interest:\n" )
   print((mlist- 1 )/M, digits=digits, ...)

    cat( "\n Periods of interest:\n" )
    print(M/(mlist- 1 ), digits=digits, ...)
    invisible( object )
}
 

Teşekkürler Dr.Trader , bu kıvırcık R hakkında bir şey soracak birinin olması ne kadar güzel)

Çıngırakla ilgili olarak, sorunun ne olduğunu anlıyorum, çıngırak hala "örnek ()" verilerini örnekliyor, bu işlem gerekli mi? örnekleme ile ve R'de aynı sonuçlar elde edildi, ancak işin püf noktası, her seferinde bir mumda yeni verilerin geleceği, bunları örneklemek mümkün olmayacak

ve tüm numuneyi örneklerseniz, sonuçların örnek dışı dahil olmak üzere tüm dönemlerde şaşırtıcı olduğu ve gerçek verileri gönderdiğinizde, her şeyin her zamanki gibi olduğu ortaya çıkıyor.

Öyleyse soru, bu örneklemenin gerekli olup olmadığıdır?

 

evet ihtiyaç. Numune - çıngırak yardımı ile eğitim verilerini birkaç satır grubuna böler (sıralar üç tabloya rastgele %75 / %15 / %15 oranında dağıtılır). Bir girdi dosyasından 3 tablo elde edilir. Bu sütunları etkilemez, tüm tablolarda aynı olacaktır.

tren masası - model üzerinde eğitilecek

tabloları doğrulama ve test etme - öğrenmeyi kontrol etmek için gerekli

Diyelim ki geçen yılın verilerini aldınız ve sonraki aylarda işlem yapabilmek için bu veriler üzerinde bir model eğitmek istiyorsunuz. Eğitimin kendisi sadece tren masasında gerçekleşecektir. Bundan sonra, ikinci veya üçüncü tablodaki modeli hatalarını sayarak kontrol edebilirsiniz. Model doğru bir şekilde eğitilirse, eğitimin yalnızca ilki kullanılarak yapılmasına rağmen, üç tablodaki hatalar yaklaşık olarak eşit olacaktır.

Bu rastgele ormanı kontrol etmek kolaydır. Hemen hemen her veri seti, tren tablosunda %0 hata verebilir. Ancak aynı modeli test ve doğrulama tablolarında kontrol ettikten sonra, büyük olasılıkla orada %50 hata göreceksiniz. Bu, modelin yeniden eğitildiği ve onu mt5'e aktararak depozitonuzu yavaş yavaş boşaltacağınız anlamına gelir.
Ama daha önce yayınlanmış olan RData dosyasını SanSanych'ten bir örnekle alırsak, tren masasındaki orman yaklaşık %30'luk bir hata verecektir. Modelin eğitim sırasında bu tablolardan verileri görmemesine rağmen, validate ve test tablolarında hatanın yaklaşık olarak aynı kalacağı dikkat çekicidir. Böyle bir model güvenle mt5'e aktarılabilir ve takas edilebilir.

Mevcut tüm verileri örneklemeden alırsanız, modeli eğitirseniz, %0 hata görürseniz ve mutlu olursanız, gerçek ticarette her şey çok kötü olacaktır.

 
Dr.Tüccar :

evet ihtiyaç. Numune - çıngırak yardımı ile eğitim verilerini birkaç satır grubuna böler (sıralar üç tabloya rastgele %75 / %15 / %15 oranında dağıtılır). Bir girdi dosyasından 3 tablo elde edilir. Bu sütunları etkilemez, tüm tablolarda aynı olacaktır.

tren masası - model üzerinde eğitilecek

tabloları doğrulama ve test etme - öğrenmeyi kontrol etmek için gerekli

Diyelim ki geçen yılın verilerini aldınız ve sonraki aylarda işlem yapabilmek için bu veriler üzerinde bir model eğitmek istiyorsunuz. Eğitimin kendisi sadece tren masasında gerçekleşecektir. Bundan sonra, ikinci veya üçüncü tablodaki modeli hatalarını sayarak kontrol edebilirsiniz. Model doğru bir şekilde eğitilirse, eğitimin yalnızca ilki kullanılarak yapılmasına rağmen, üç tablodaki hatalar yaklaşık olarak eşit olacaktır.

Bu rastgele ormanı kontrol etmek kolaydır. Hemen hemen her veri seti, tren tablosunda %0 hata verebilir. Ancak aynı modeli test ve doğrulama tablolarında kontrol ettikten sonra, büyük olasılıkla orada %50 hata göreceksiniz. Bu, modelin yeniden eğitildiği ve onu mt5'e aktararak depozitonuzu yavaş yavaş boşaltacağınız anlamına gelir.
Ama daha önce yayınlanmış olan RData dosyasını SanSanych'ten bir örnekle alırsak, tren masasındaki orman yaklaşık %30'luk bir hata verecektir. Modelin eğitim sırasında bu tablolardan verileri görmemesine rağmen, validate ve test tablolarında hatanın yaklaşık olarak aynı kalacağı dikkat çekicidir. Böyle bir model güvenle mt5'e aktarılabilir ve takas edilebilir.

Mevcut tüm verileri örneklemeden alırsanız, modeli eğitirseniz, %0 hata görürseniz ve mutlu olursanız, gerçek ticarette her şey çok kötü olacaktır.

Seni anlıyorum, ama hiciv şu ki, sadece örneklenen verilerde, hata üç örnekte de küçük ve örnekleme olmadan büyük

Bana postanı PM olarak at, sana verileri göndereceğim, kendin gör ya da bana bir dosyanın nasıl ekleneceğini öğreteceğim, çünkü ya bana eklenmez ya da forum hiç eklemeye çalışırken askıda kalıyor

 

karoch, modelimi eğittim (rastgele orman), sonuç tatmin edici değil, ancak şu şekilde yeniden eğitilmedi

1) diz %0.5 ile hedef zikzak

2) tahmin ediciler - toplam 100 parçadaki seviyeler ve mumlar (göstergeler, osilatörler vb. olmadan)

3) modelin kendisi hiçbir şekilde optimize edilmedi, aptalca ayarlanmış bölümler 3, sayın. ağaçlar 200 adet

4) bu arada, PrunePredictors'ı (özellik seçimi) geçerseniz, 100 tahmin ediciden sadece 3'ü elendi, toplam 97 tahmin edici kaldı

örnek, eğitim ve test olmak üzere iki kısma ayrıldı, eğitimin 5. kısmı test

Eğitimde, model hatası %33


Testte: model hatası %32


veriler örneklenmiyor çünkü bu canavarı henüz anlamadım

Şimdi küme hakkında düşünebilirsiniz

 

Forum: resim nasıl eklenir

Ancak bu şekilde resim sonsuza kadar forumda kalacak ve bir yıl sonra bile tüm kullanıcılar resmi görebilecek ve neyin tartışıldığını anlayabilecektir.

Ancak üçüncü taraf hizmetler yalnızca reklam taşımakla kalmaz, güvenli değildir, bir süre sonra resimleri de siler.

 
mytarmailS :

Soru, aynı veri ve aynı model üzerinde R ve çıngırakta farklı sonuçların neden farklı olduğu değil.

İkinci soru: Eğer şeytanı gösteriyorsa, "örnek dışı" modeli çıngırak için kontrol etmenin anlamı nedir?

sen benim yazımı anlamadın