Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 41

Yeni yorum
 
Vizard_ :
Böylece, yavaş yavaş, büyüleyici dönüşüm konusuna yaklaştık))) çünkü normal bir dağılım yoksa, bunu yapabilirsiniz.
Hastalanmak uzun zaman alacak, çünkü hem yeniden dönüşüme ihtiyacınız var hem de ..., ama Box-Cox'tan gerçekten hoşlanmıyorum))) Olmazsa üzücü
normal tahminciler, bunun nihai sonuç üzerinde çok az etkisi olacaktır ...

İlk başta "inananlar"ın gözünde bir anlayış parıltısı görmek isterim. Ve sonra, evet, gerekirse dönüştürün. Kalın kuyrukları dönüştürmek mümkün mü, soru bu. Kaliteyi büyük ölçüde etkileyebilirler.

 
Alexey Burnakov :

İlk başta "inananların" gözünde bir anlayış parıltısı görmek isterim. Ve sonra, evet, gerekirse dönüştürün. Kalın kuyrukları dönüştürmek mümkün mü, soru bu. Kaliteyi büyük ölçüde etkileyebilirler.

FARIMA hafızasından yağlı kuyruklar için gerilemeler var.

Ama artışın büyüklüğüne geri dönelim.

Ne ticareti yapıyoruz? Önceki çubuğa göre saatte 7 piplik bir artış mı? Bunu hayal etmekte zorlanıyorum. Biri aydınlatabilir mi?

Bir artış, daha doğrusu oynaklıkla takas edilebilir, ancak bazı durağan serilerle ilgili olarak - buna eşbütünleşme denir.

 
En azından birisi giriş verilerini ciddi olarak düşündü)
 
СанСаныч Фоменко :

FARIMA hafızasından kalın kuyruklar için gerilemeler var.

Ama artışın büyüklüğüne geri dönelim.

Ne ticareti yapıyoruz? Önceki çubuğa göre saatte 7 piplik bir artış mı? Bunu hayal etmekte zorlanıyorum. Biri aydınlatabilir mi?

Bir artış, daha doğrusu oynaklıkla takas edilebilir, ancak bazı durağan serilerle ilgili olarak - buna eşbütünleşme denir.

Artışlar değilse ne ticareti yapıyorsunuz?
 
Комбинатор :
En azından birisi giriş verilerini ciddi olarak düşündü)

Düşündüm. Gerçekten )

İlk olarak, düşünebildiğim kadar çok girdi üretiyorum. Ardından, belirli bir hedef değişken için en alakalı olanları seçiyorum ve gerisini çöp kutusuna atıyorum. Yardım ediyor gibi görünüyor, ancak eğitim yöntemine bağlı.

Yaptığım deneyde öyle yaptım. İlk olarak, sistemin ne tür bilgileri görmesi gerektiğini anladım. Ama bunların hepsi subjektif. Ve eğitimden önce bilgilendirici tahmin edicilerin seçimi çok fazla kurgu olmadan gerçekleştirildi, ancak işe yaradı: 

train_set <- dat_train_final[, c(eval(inputs), eval(outputs[targets]))]
        test_set <- dat_test_final[, c(eval(inputs), eval(outputs[targets]))]
        
        input_eval <- gbm(train_set[, 109 ] ~ .
                       , data = train_set[, 1 : 108 ]
                       , distribution = "laplace"
                       , n.trees = 100
                       , interaction.depth = 10
                       , n.minobsinnode = 100
                       , bag.fraction = 0.9
                       , shrinkage = 0.01
                       , verbose = T
                       , n.cores = 4 )
        
        best_inputs <- as.character(summary(input_eval)[[ 1 ]][ 1 : 10 ])
        
        train_set <- dat_train_final[, c(eval(best_inputs), eval(outputs[targets]))]
        test_set <- dat_test_final[, c(eval(best_inputs), eval(outputs[targets]))]

yorum yapacağım. İlk olarak, mevcut tüm tahmin edicilerle zayıf, yeniden eğitilmeyen bir model üzerinde eğitim aldım. Modelin yeniden eğitmek için zamanının olmaması önemlidir. Sonra en önemli ilk 10'u aldım.

Bu sadece sonuçları gürültüye düşürmedi, aynı zamanda eğitimi 10 kat hızlandırdı.

Bu seçeneklerden biridir.

 
Alexey Burnakov :
Artışlar değilse ne ticareti yapıyorsunuz?

Uzunların ve şortların ilgi gördüğü bir trend.

Terminaldeki siparişler: AL, SAT.

 
Комбинатор :
En azından birisi giriş verilerini ciddi olarak düşündü)

Düşünün, sınıflandırma modelleri için gürültü tahmincilerinden girdi tahmin edici setlerini temizlemek için ücretli hizmetler bile sağlıyorum. Geriye, aşırı eğitilmiş modeller oluşturmayan bir küme kalıyor. Gerçeğin açıklığa kavuşturulması gerekiyor: eğer bir şey kalırsa. Paradoksal şeyler var: trend ticareti için sayısız maskot çeşidi umutsuz.

İşlediğim setler arasında:

  • ilk tahminci listesinin 3'ten 5 katına düşürülmesi

Gelecekte başa çıkmamız gereken 20-25 tahminci kaldı

  • her çubuktaki bu tahmin kümesinden standart R araçlarını kullanarak bazı alt kümeleri seçiyorum
  • Modelin eğitildiği 10-15 tahminci kalır
  • son tahminci seçimini yapamazsınız, yaklaşık çubuk sayısı pencereye eşittir, ancak pencere 100 içindedir

Sonuç: model yeniden eğitilmedi, yani. eğitim, GSR ve örnek dışı sırasındaki sınıflandırma hatası yaklaşık olarak eşittir.

 
Lanet olsun mısırın çocukları bir nevi normallik/anormallik.
 
iki paralel dal aynı şeyi tartışıyor - model için tahmin edicilerin seçimi
 
СанСаныч Фоменко :

Uzunların ve şortların ilgi gördüğü bir trend.

Terminaldeki siparişler: AL, SAT.

Bu aynısı! + veya - işaretlerine dönüştürülen artışlar. Ve bir saat ileride artırmak için böyle bir işaret alabilirsiniz.

Soru nedir?

1...343536373839404142434445464748...55
Yeni yorum