Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 371
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Hala anlamıyorum - ters korelasyon mu yoksa korelasyon yok mu?
Veya size göre, eğer iki rastgele seri -1 korelasyon katsayısına sahipse, o zaman "hiçbir korelasyonu yok" mu?
tamam.....
ah ... peki, hemen olurdu)) peki, kısaca anladım, evet ...
1. kimse korelasyonu analiz etmiyor - tahmin edicilerin seçiminden bahsediyoruz.
2. Benim fikrimi üç sayfa önce kendi sözlerinle tekrarladın - " Bağımlılık korelasyonun özel bir durumudur. İki değişken birbirine bağlıysa mutlaka bir korelasyon vardır. Bir korelasyon varsa mutlaka bir bağımlılık yoktur."
3. Çapraz entropi, tıpkı korelasyon gibi, işlevsel bir bağımlılığın varlığı açısından bir cevap vermeyecektir.
1) Korelasyon için önce kendinizi yayınlıyorsunuz, sonra gönderileri siliyorsunuz, sonra birkaç sayfa önce ne yazdığınızı hatırlamıyorsunuz.
Dmitry :
Tüm ML, girdi değişkenlerinin çıktı değişkeni ile ilişkili olması gerektiği gerçeğine dayanır.
2) hayır, korelasyonun olmadığı yerde bile bağımlılığın olabileceğini söyledim.
3) Çapraz entropi. Hedefe göre çok sayıda tahmin ediciyi aynı anda değerlendirebilirsiniz. Tahmin edicilerin her biri bunu tahmin edemediğinde, ancak bunların belirli bir kombinasyonu. Forex için ne yazık ki önemli değil, ancak genel olarak, makine öğrenimi için çapraz entropi yoluyla tahmin edicilerin seçimi, korelasyon yoluyla seçimden çok daha iyidir.
2) hayır, korelasyonun olmadığı yerde bile bağımlılığın olabileceğini söyledim.
İlişkinin olmadığı yerde bağımlılık olamaz. Korelasyon doğrusal veya doğrusal olmayabilir, ancak bir bağımlılık varsa olacaktır.
Bağımlılığın yokluğunda bir korelasyon olabilir - yanlış bir korelasyon.
Bu başlıktaki hiçbir mesajı silmedim.
Onay vermek için kitabı indiremiyorum (neden bilmiyorum).
Kimin böyle bir fırsatı varsa, boş çatışmaları durdurmak için bir örnekle bir resim indirin ve buraya yerleştirin.
Bendat J., Peirsol A.
Rastgele verilerin uygulamalı analizi: Per. İngilizceden. - M.: Mir, 1989.
126. sayfada
ÖRNEK 5.4. İLİŞKİSİZ BAĞIMLI RASTGELE DEĞİŞKENLER.
.
not
örnek çok anlamlı.
Eşit derecede ilişkili iki öngörücü - daha düşük korelasyona dayanarak neyi atıyoruz? Hangisi daha az ilişkilidir?
Dmitry, beni affedeceksin, ama tüm saygımla, ya beni trollemeye çalıştığından ya da dalga geçtiğinden ya da sadece aptal olduğundan şüpheleniyorum ... Önemsiz bir örnekte iki özelliğin ikisinin de sıfır korelasyonu olduğunu göremiyor musunuz? hedefle, AMA ikisi de anlamlıdır, hiçbiri atılamaz, doğrusal bağımlılık sıfırdır, doğrusal değildir %100 , yani korelasyon sıfır olabilir ve veri kümesi tamamen öngörülebilir, ifadeniz:
Dmitry :
Tüm ML, girdi değişkenlerinin çıktı değişkeni ile ilişkili olması gerektiği gerçeğine dayanır.
Aksi takdirde, TÜM MO modellerinde hiçbir anlamı yoktur.
tamamen reddediyor.
İlişkinin olmadığı yerde bağımlılık olamaz. Korelasyon doğrusal veya doğrusal olmayabilir, ancak bir bağımlılık varsa olacaktır.
Onay vermek için kitabı indiremiyorum (neden bilmiyorum).
Kimin böyle bir fırsatı varsa, boş çatışmaları durdurmak için bir örnekle bir resim indirin ve buraya yerleştirin.
Bendat J., Peirsol A.
Rastgele verilerin uygulamalı analizi: Per. İngilizceden. - M.: Mir, 1989.
126. sayfada
ÖRNEK 5.4. İLİŞKİSİZ BAĞIMLI RASTGELE DEĞİŞKENLER.
.
not
örnek çok anlamlı.
http://sci.alnam.ru/book_dsp.php
sadece 126. sayfada resim yok
Che hepiniz korelasyona sarıldınız!
Makine öğreniminde, korelasyonla hiçbir ilgisi olmayan değişkenlerin " önemi " kavramı vardır. Hesaplama genellikle makine öğrenimi algoritmasının kendisinde bulunur.
Örneğin, rastgele bir ormanda.
Tahmin edicilerin tüm alt kümesinden birkaç yüz olabilir, birkaç parça seçilir ve bu tahmin edicilerin değerlerinin belirli bir sınıf değerini tahmin edip etmediği iç algoritmaya göre bakar. Ya kabul edildi ya da reddedildi.
Sonunda, ağacın tüm düğümlerine bakarlar ve ağacın her bir düğümünde tahmin edicinin kaç kez kullanıldığına bakarlar - tahmin edicilerin önemi elde edilir.
Bu alanda halihazırda var olan ve korelasyon alıştırmalarından çok daha anlamlı olan gelişmeleri tartışmak için ekibi bir araya getirmeye çalışıyorum.
Che hepiniz korelasyona sarıldınız!
Makine öğreniminde, korelasyonla hiçbir ilgisi olmayan, değişkenlerin "önem - önemi" kavramı vardır. Hesaplama genellikle makine öğrenimi algoritmasının kendisinde bulunur.
Örneğin, rastgele bir ormanda.
Tahmin edicilerin tüm alt kümesinden birkaç yüz olabilir, birkaç parça seçilir ve bu tahmin edicilerin değerlerinin belirli bir sınıf değerini tahmin edip etmediği iç algoritmaya göre bakar. Ya kabul edildi ya da reddedildi.
Sonunda, ağacın tüm düğümlerine bakarlar ve ağacın her bir düğümünde tahmin edicinin kaç kez kullanıldığına bakarlar - tahmin edicilerin önemi elde edilir.
Bu alanda halihazırda var olan ve korelasyon alıştırmalarından çok daha anlamlı olan gelişmeleri tartışmak için ekibi bir araya getirmeye çalışıyorum.
ve alglib'de bir de karanlık orman var bu arada..mt5'ten çıkmadan kullanabilirsiniz