Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 38
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
Her kelimesine aboneyim. Bir sonraki bölümde bu regresyonun özellikleri tamamen farklı olacaksa, bir regresyon inşa etmenin anlamı nedir. Modeli verilere sığdırmak için istediğiniz kadar ince ayar yapabilirsiniz, ancak Y'nin (fiyat) X'ten (zaman) bağımsız olduğunu, en azından doğrusal regresyon açısından kabul etmek daha kolaydır.
Bu, sağduyunun başka bir örneğidir.
Meslektaşım Coursera'da Veri Bilimi okudu ve rastgele oluşturulmuş bir seri (martingale veya normal olarak dağıtılmış artışlarla bir Wiener süreci denebilir) üzerinde doğrusal bir regresyon yaklaşımı oluşturduğu bir son proje yaptı ve bir sonraki segmentte nasıl olduğunu gösterdi. serinin tüm regresyon parametreleri kesinlikle tahmin edilemez bir şekilde sürüklenir. oyuncak sorunu
Halihazırda regresyon kullanıyorsak (donanımını iyi bilmememe rağmen, sadece prensibini bilmeme rağmen, regresyonu kırma eğilimindeyim), o zaman bunu fiyat artışları veya türevleri üzerinde yapın. Ve sonra sağlam metrikler elde etme şansı var. Ancak bu durumda bile normal dağılmış artıklar elde etmek gerçekçi değildir.
Bu, sağduyunun başka bir örneğidir.
Meslektaşım Coursera'da Veri Bilimi okudu ve rastgele oluşturulmuş bir seri (martingale veya normal olarak dağıtılmış artışlarla bir Wiener süreci denebilir) üzerinde doğrusal bir regresyon yaklaşımı oluşturduğu bir son proje yaptı ve bir sonraki segmentte nasıl olduğunu gösterdi. serinin tüm regresyon parametreleri kesinlikle tahmin edilemez bir şekilde sürüklenir. oyuncak sorunu
Halihazırda regresyon kullanıyorsak (donanımını iyi bilmememe rağmen, sadece prensibini bilmeme rağmen, regresyonu kırma eğilimindeyim), o zaman bunu fiyat artışları veya türevleri üzerinde yapın. Ve sonra sağlam metrikler elde etme şansı var. Ancak bu durumda bile normal dağılmış artıklar elde etmek gerçekçi değildir.
;)
Sırt regresyonu için, artıkların dağılımının sadece normalliği gerekli değildir.
Bayesian regresyon , sırt regresyonuna benzer, ancak verilerde gürültünün normal olarak dağıldığı varsayımına dayanır - bu nedenle, verilerin yapısının zaten genel bir anlayışının olduğu varsayılır ve bu, bir elde etmeyi mümkün kılar. doğrusal regresyona kıyasla daha doğru bir model.
;)
Sırt regresyonu için, artıkların dağılımının sadece normalliği gerekli değildir.
Pekala, itiraf ediyorum ki regresyonun alt türlerini iyi bilmiyorum. Ve artıkların normalliğinin gerekli olmaması da çok iyi. Ve piyasalar için sırt regresyonu daha uygulanabilir olabilir. Katsayıların değerleri üzerinde kısıtlamalar vardır. Alıntılardaki bu tür bir gerilemenin sağlam bir sonuç verdiği örnekleri biliyorum.
Bireysel regresörler için katsayılar sıfıra yozlaşabildiğinde, L2-düzenleme ile bir gerileme de vardır. Bu, çok sayıda regresör varsa ve girdi vektörünün boyutunu azaltmanız gerekiyorsa kullanışlıdır.
Ancak ayrıntıları bilmeden, matematiksel regresyon aygıtının vahşi doğasına girmek tehlikeli olabilir.
Ridge regresyonu, birbiriyle ilişkili çok fazla bağımsız değişken varsa, çoklu bağlantı sorununu çözer
Bu da taramanın son derece kullanışlı bir yönüdür.
Uygulamada, regresörler arasında bağımsızlık elde etmek neredeyse gerçekçi olmayan bir şekilde zor bir iştir ve ortak doğrusallığın varlığı, sıradan bir doğrusal regresyonda tüm istatistikleri çarpıtır. Bu nedenle, SanSanych'in haklı olarak belirttiği gibi, yöntemin uygulanabilirliği her şeyden önce gelir.
Bireysel regresörler için katsayılar sıfıra yozlaşabildiğinde, L2-düzenleme ile bir gerileme de vardır. Bu, çok sayıda regresör varsa ve girdi vektörünün boyutunu azaltmanız gerekiyorsa kullanışlıdır.
Kement gerilemesi? Evet, böyle bir şey var.
Uygulamada, sırt yöntemi daha uygundur - faktörlerin dahil edilmesi veya hariç tutulması ile bir gerileme olarak uygulanır.
Kement gerilemesi? Evet, böyle bir şey var.
Uygulamada, sırt yöntemi daha uygundur - faktörlerin dahil edilmesi veya hariç tutulması ile bir gerileme olarak uygulanır.
Evet, öyle.
İşte teklifleri tahmin etmek için güçlü regresyonlar kullanmaya, rekabette 3. sırayı almaya, ancak ayrıntı vermeyen bir örnek: http://blog.kaggle.com/2016/02/12/winton-stock-market-challenge-winners-interview- 3. sıra-mendrika-ramarlina/
Ve bence harika bir örnek daha: https://www.kaggle.com/c/battlefin-s-big-data-combine-forecasting-challenge/forums/t/5966/share-your-approach
Sergey Yurgenson'u okuyun ve kodunu görün (başka bir yarışmada 2. sıra):
Algoritmam Matlab üzerinde yazılmıştır ve aşağıda kod verilecektir. Algoritmanın ana fikri, her bir potansiyel tahmin edicinin eğimlerinin p değerine göre seçilen az sayıda tahmin edici kullanarak doğrusal regresyon modelini (sağlam regresyon) kullanmaktır.
Ve L1 / L2 düzenlemesi konusunda: https://msdn.microsoft.com/ru-ru/magazine/dn904675.aspx
Her durumda, tanıştığımıza memnun oldum.
Bu da taramanın son derece faydalı bir yönüdür.
Uygulamada, regresörler arasında bağımsızlık elde etmek neredeyse gerçekçi olmayan bir şekilde zor bir iştir ve ortak doğrusallığın varlığı, sıradan bir doğrusal regresyonda tüm istatistikleri çarpıtır. Bu nedenle, SanSanych'in haklı olarak belirttiği gibi, yöntemin uygulanabilirliği her şeyden önce gelir.
Ana bileşen yöntemini denedim. İdeal gibi görünüyor. Dönüşüm sonucunda sıfır korelasyonlu bir regresör seti elde edilir. Ana çeşitliliği açıklayan "ana" olanları da seçebilirsiniz.
Sınıflandırma görevleri için çok zaman öldürdü. En azından hatayı % oranında azaltın.
Ana bileşen yöntemini denedim. İdeal gibi görünüyor. Dönüşüm sonucunda sıfır korelasyonlu bir regresör seti elde edilir. Ana çeşitliliği açıklayan "ana" olanları da seçebilirsiniz.
Sınıflandırma görevleri için çok zaman öldürdü. En azından hatayı % oranında azaltın.