Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1928

 
Alexey Vyazmikin :

Özellikler bu şekilde oluşturulacak - temel kurallar şeklinde bir kurucu hazırlamanız gerekiyor.

Örneğin, fiyatın kanalda bir kez nasıl davrandığını açıklayın, ardından kanalları değiştirin, vb.

Bunun kuralların bir parçası olduğunu anlıyorum, eğer öyleyse, evet, uygulanabilir.

 
Alexey Vyazmikin :

Kümeleme sırasında, birçok satır farklı alanlara dağıtıldı, tahmin ettiğim gibi şu şekilde çağrılabilecek bir harita oluşturuldu:

Ve zaten, kümenin bir veya başka bir merkezine sınıflandırmak için her satırı daha fazla tartın. Sadece tek bir satırın ağırlığının nasıl yapıldığını anlamıyorum ...


bu haritaya prototip veya küme merkezleri denir, yeni veriler her bir merkezle yakınlık açısından karşılaştırılır ve en yakın merkez olarak etiketlenir

Her işlev için yerleşik bir yardım vardır, konsola "?" yazmanız yeterlidir. ve "?Kmeans" gibi işlev adı

aşağıda her zaman örnekler vardır

https://stackoverflow.com/questions/53352409/creation-prediction-function-for-kmean-in-r nasıl tahmin edilir


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

Bir geri dönüşü önemli olarak sınıflandırmanın kuralı nedir?

zikzak diz


Valla gerçekten çok ilginç. Tavsiye için teşekkürler

Aptallar için kodu paylaşır mısın, belki acil servislere katılırım?

Vladimir kodu gönderdi. Belki temelleri öğrenirsin, yoksa hemen böyle şeylere girersin, çok soru olacak, ama çok az mantıklı, örneğin tek başına bir kitaptan örnekler yapın.


Teşekkürler, kümelemeyi kaldırmak mümkün oldu.

.

 
Alexey Vyazmikin :

Öyleyse neden yönteminiz benimkinden daha iyi - yaprak toplamak, aslında mevcut verilere dayanarak elde edilen yeni öngörücülerdir. Sadece karşılaştırmayı kullanarak değil, aynı zamanda hedef seviyeleri dönüştürerek ve birleştirerek ağaçlar oluşturmanız yeterlidir, genel olarak bunu normal bir ağaç temelinde uygulayabilir ve yaprakları oradan sürükleyebilirsiniz.

Yönteminiz Maxim'e yazdığım gibi kurallar üretebiliyorsa, o zaman hiçbir şey

 
mytarmailS :

Yönteminiz Maxim'e yazdığım gibi kurallar üretebiliyorsa, o zaman hiçbir şey

Benim yöntemim rastgele değil, anlamlı bir şekilde üretmenize izin verecek - tabiri caizse daha fazla verim, ancak normal bir ağaca dayalı.

Genel olarak, eğitim sırasında ağaç algoritmasına bir tahminciyi diğeriyle karşılaştırma, çarpma, bölme, toplama, çıkarma ve diğer eylemler gibi bir takım dönüşüm prosedürlerinin eklenebileceğinden bahsediyorum. Sonuç olarak, ağacın genetik yapısı sırasında, bir varyant rastgele değil, örneğin bir açıklamasını vererek, bir çözüm arama süresini azaltacak şekilde seçilecektir. Örnekten rastgele tahminciler atarak, bu dönüşümleri hesaba katarak farklı ağaçlar oluşturabiliriz.

 
Rorschach :
Girdilerin en iyi nasıl normalleştirileceğine dair çalışmalara hiçbir yerde rastlamadım: artışlar, ma çıkarma, kayan pencere?

"Normalleştirmek" ile ne demek istiyorsun? Bir değişkenin dağılımını mümkün olduğunca normale yaklaştırmak mı?

 
Alexey Vyazmikin :

Benim yöntemim rastgele değil, anlamlı bir şekilde üretmenize izin verecek - tabiri caizse daha fazla verim, ancak normal bir ağaca dayalı.

Genel olarak, eğitim sırasında ağaç algoritmasına bir tahminciyi diğeriyle karşılaştırma, çarpma, bölme, toplama, çıkarma ve diğer eylemler gibi bir takım dönüşüm prosedürlerinin eklenebileceğinden bahsediyorum. Sonuç olarak, ağacın genetik yapısı sırasında, bir varyant rastgele değil, örneğin bir açıklamasını vererek, bir çözüm arama süresini azaltacak şekilde seçilecektir. Örnekten rastgele tahminciler atarak, bu dönüşümleri hesaba katarak farklı ağaçlar oluşturabiliriz.

örnek olarak verdiğim kuralı okuyun ve bu tür bir kural oluşturucuyu bir ağaca gömmeye çalışın

 
Vladimir Perervenko :

"Normalleştirmek" ile ne demek istiyorsun? Bir değişkenin dağılımını mümkün olduğunca normale yaklaştırmak mı?

Bir değişkenin aralığını +-1'e çevirme

 
Vladimir Perervenko :

kişisel bir konuşmada

senin seçeneğin

umap_transform(X = X[tr,], model = origin.sumap, n_threads = 4 L, 
               verbose = TRUE) -> train.sumap 
head(train.sumap)
[ 1 ,] 22.196741
[ 2 ,] 14.934501
[ 3 ,] 17.350166
[ 4 ,]   1.620347
[ 5 ,] 17.603270
[ 6 ,] 16.646723

normal versiyon

 train.sumap <- umap_transform(X = X[tr,], model = origin.sumap, n_threads = 4 L, 
               verbose = TRUE)
head(train.sumap)
[ 1 ,] 22.742882
[ 2 ,]   7.147971
[ 3 ,]   6.992639
[ 4 ,]   1.598861
[ 5 ,]   7.197366
[ 6 ,] 17.863510

değerlerin tamamen farklı olduğunu görebileceğiniz gibi, kendiniz kontrol edebilirsiniz


bende var modelde

n_components = 1

çünkü sadece bir sütun, ama gerçekten önemli değil

===================UPD

Kahretsin, umap_tranform'u her çalıştırdığınızda farklıdırlar, aynı olmamalı

 
mytarmailS :

örnek olarak verdiğim kuralı okuyun ve bu tür bir kural oluşturucuyu bir ağaca gömmeye çalışın

Ve sorun nedir - başında kuralların ekleneceği bileşenler oluşturun.

 
Alexey Vyazmikin :

Ve sorun nedir - başında kuralların ekleneceği bileşenler oluşturun.

Cehennem biliyor, düşüncelerimi toplayamıyorum