Mat araştırma. paketler - sayfa 7

Yeni yorum
 
http://quantquant.com/viewtopic.php?f=7&t=1236
 
zaskok3 :
http://quantquant.com/viewtopic.php?f=7&t=1236

Bu bağlantı ne için? Kısa bir yorum yardımcı olacaktır.

Örneğin: R ve Python ile ilgili eğitim literatürüne bir dizi bağlantı.

Bağlantıların içeriğine göre ise: Her şeyi geniş bir ağ ile topladınız mı? Yoksa herhangi bir tercih var mı? Python'dan pyBrain en ilginç ve öğrenmeye ve uygulamaya değer. R paketlerinde olmayan ağları uygular.Tartışma için değil, eleştiri için değil, bu yüzden yol boyunca bir açıklama.

İyi şanlar

 
Vladimir Perervenko :

1. Evet.

2. Neden? Verileri R'ye geçirmek ve sonuçları geri almak için ağ geçidi olan tek bir MT4R.dll'ye ihtiyacınız var.

3. Mevcut tüm veritabanlarına. Ayrıca, hem Microsoft hem de Oracle, R'yi veritabanlarına entegre etmiştir.

4. Matlab ile etkileşim için çeşitli seçenekler, mat dosyalarının basit bir değişiminden R'den Matlab işlevlerinin yürütülmesine kadar R'de uygulanmaktadır. Bu yönde deneyiminiz ve deneyiminiz varsa, R ile mükemmel bir Matlab kombinasyonu uygulayabilirsiniz. -MTterminali.

5. Bilim ve teknolojinin tüm alanları için paketler, en son başarılar dikkate alınarak R'de uygulanmaktadır. Buradan başlayın

6. Birden fazla var. En yaygın ff.

Genel olarak, şaşırdım. Açık bir alandasınız. Bu sitedeki 1. ve 2. makalelere bakın, pek bir şey net olmayacak, ancak dilin nasıl çalıştığı hakkında bir fikir edineceksiniz.

Bitiriyorum ve yarın derin öğrenme ile ilgili ikinci makaleyi inceleme için göndermeyi umuyorum, ekte uzman örnekleri olacak.. Bence ilgi varsa, birkaç giriş seviyesi makale yazın (filtreleme, ayrıştırma, tahmin vb.) .). Ve elbette, özellikle Googl, TensorFlow kitaplığını herkese açtığından beri, derin öğrenme konusunu araştırmaya devam edin. Ve daha az ilginç ve umut verici olmayan başkaları da var (mxnet, pyBrain).

Meraklılardan oluşan bir ekip toplanırsa, R dilinin kullanıcılarının bir şubesini organize edebiliriz.

İyi şanlar

İyi makaleler! Teşekkür ederim. Çalışmak için caret'e ihtiyacım var. Ancak NS yerine SVM, GBM, xGBoost'u denemeyi planlıyorum.
 
Alexey Burnakov :
İyi makaleler! Teşekkür ederim. Çalışmak için caret'e ihtiyacım var. Ancak NS yerine SVM, GBM, xGBoost'u denemeyi planlıyorum.
SVM, ada, rastgele orman. Bütün bunlar, çıngıraklı bu paketlerle egzersiz yaptıktan sonra. Ve tahmin edicilerin seçimi için paketlerden sonra
 
Alexey Burnakov :
İyi makaleler! Teşekkür ederim. Çalışmak için caret'e ihtiyacım var. Ancak NS yerine SVM, GBM, xGBoost'u denemeyi planlıyorum.

Her şeyi dene.

Çeşitli modifikasyonlarda en sevdiğim randomForest (ana avantajı, giriş verilerinin ön işlenmesini gerektirmemesidir. Ayrıca ada çok yüksek kaliteli bir göstergedir. Her ikisinin de iki dezavantajı vardır - eğitilmesi çok uzun zaman alır ve aşırı takmaya çok eğilimlidirler. .

Bu, onları kullanmamanız gerektiği anlamına gelmez, sadece bu sıkıntıların farkında olmanız gerekir.

İyi şanlar

 
СанСаныч Фоменко :
SVM, ada, rastgele orman. Bütün bunlar, çıngıraklı bu paketlerle egzersiz yaptıktan sonra. Ve tahmin edicilerin seçimi için paketlerden sonra
Sanych'in kendisi, işte bu paketlerle zaten yeterince pratik yaptım. ))) Yalnızca xGBoost'a henüz dokunulmadı.
 
Vladimir Perervenko :

Her şeyi dene.

Çeşitli modifikasyonlarda en sevdiğim randomForest (ana avantajı, giriş verilerinin ön işlenmesini gerektirmemesidir. Ayrıca ada çok yüksek kaliteli bir göstergedir. Her ikisinin de iki dezavantajı vardır - eğitilmesi çok uzun zaman alır ve aşırı takmaya çok eğilimlidirler. .

Bu, onları kullanmamanız gerektiği anlamına gelmez, sadece bu sıkıntıların farkında olmanız gerekir.

İyi şanlar

1. madde ile ilgili size bir sorum var. Algoritmanın her çubukta işlem yaptığını Alım Satım öykünme tablosundan görebiliyorum, değil mi?

Ve bir soru daha. Eğitim sırasında, her bir çubuktan makine verilerini de beslediniz mi?

Zaman serisi problemlerini diğer birçok istatistiksel problemden ayıran temel nokta, bir zaman serisinde gözlemlerin karşılıklı olarak bağımsız olmamasıdır. Bunun yerine tek bir şans olayı sonraki tüm veri noktalarını etkileyebilir. Bu, zaman serisi analizini diğer birçok istatistik alanından oldukça farklı kılar.

Bu bağımsız olmama nedeniyle, zaman serisi verilerinin altında yatan gerçek kalıpları görsel inceleme ile görmek son derece zor olabilir. Borsa ortalamalarının tipik bir gazete grafiğine bakan herkes, haftalar veya aylar boyunca devam eden eğilimleri görür. Ancak konuyu inceleyen istatistikçiler, bu tür eğilimlerin temelde tesadüfen beklenebilecek sıklıkta meydana geldiği konusunda hemfikirdir ve bir günlük borsa hareketi ile bir sonraki günün hareketi arasında neredeyse hiçbir korelasyon yoktur. Böyle bir korelasyon olsaydı, herkes bugünün trendinin yarın da devam edeceğine bahse girerek borsada para kazanabilirdi ve bu o kadar kolay değil. Aslında, hemen hemen herhangi bir rastgele sayı serisini toplamak, rastgele olmayan bir model ortaya çıkaracaktır.

Kaynak: http://node101.psych.cornell.edu/Darlington/series/series1.htm

Tahmin ettiğim gibi, mesele şu ki, zaman serisinin tüm noktalarının eğitime (ve teste) katıldığı basit bir yaklaşım, karşılıklı olarak bağımlı gözlemler yaratır, bu da bir çırpıda " desenler" bulundu. Basitçe söylemek gerekirse, her şey doğru yapılsa bile sonuçlara güvenilemez. Bu nedenle, istatistiksel varsayımları ihlal etmeyen zaman serilerinden bir gözlem örneğinin oluşturulması son derece önemlidir. Çoğu zaman, popüler kaynaklarda bu adım basitçe göz ardı edilir ve sonuçları en içler acısı. Makine kalıpları öğrenmeyecek.

 
Alexey Burnakov :

1. madde ile ilgili size bir sorum var. Algoritmanın her çubukta işlem yaptığını Alım Satım öykünme tablosundan görebiliyorum, değil mi?

Ve bir soru daha. Eğitim sırasında, her bir çubuktan makine verilerini de beslediniz mi?

Kaynak: http://node101.psych.cornell.edu/Darlington/series/series1.htm

Tahmin ettiğim gibi, mesele şu ki, zaman serisinin tüm noktalarının eğitime (ve teste) katıldığı basit bir yaklaşım, karşılıklı olarak bağımlı gözlemler yaratır, bu da bir çırpıda " desenler" bulundu. Basitçe söylemek gerekirse, her şey doğru yapılsa bile sonuçlara güvenilemez. Bu nedenle, istatistiksel varsayımları ihlal etmeyen zaman serilerinden bir gözlem örneğinin oluşturulması son derece önemlidir. Çoğu zaman, popüler kaynaklarda bu adım basitçe göz ardı edilir ve sonuçları en içler acısı. Makine kalıpları öğrenmeyecek.

Tünaydın.

algoritmanın her çubukta işlem yaptığını?

Numara. Algoritma, son oluşturulan çubukta alınan sinyallere göre işlem yapar. Soruyu anlamadım galiba?

Ve bir soru daha. Eğitim sırasında, her bir çubuktan makine verilerini de beslediniz mi?

Bunu hiç anlamadım. Açıklayabilir misin? cevaplamaya çalışacağım.

İyi şanlar

 
Alexey Burnakov :

1. madde ile ilgili size bir sorum var. Algoritmanın her çubukta işlem yaptığını Alım Satım öykünme tablosundan görebiliyorum, değil mi?

Ve bir soru daha. Eğitim sırasında, her bir çubuktan makine verilerini de beslediniz mi?

Kaynak: http://node101.psych.cornell.edu/Darlington/series/series1.htm

Tahmin ettiğim gibi, mesele şu ki, zaman serisinin tüm noktalarının eğitime (ve teste) katıldığı basit bir yaklaşım, karşılıklı olarak bağımlı gözlemler yaratır, bu da bir çırpıda " desenler" bulundu. Basitçe söylemek gerekirse, her şey doğru yapılsa bile sonuçlara güvenilemez. Bu nedenle, istatistiksel varsayımları ihlal etmeyen zaman serilerinden bir gözlem örneğinin oluşturulması son derece önemlidir. Çoğu zaman, popüler kaynaklarda bu adım basitçe göz ardı edilir ve sonuçları en içler acısı. Makine kalıpları öğrenmeyecek.

Bağlandığınız makale regresyonla ilgili. sınıflandırıyoruz. Bunlar iki büyük fark..

Ve hala sorunuzu anlamıyorum.

İyi şanlar

 
Vladimir Perervenko :

Bağlandığınız makale regresyonla ilgili. sınıflandırıyoruz. Bunlar iki büyük fark..

Ve hala sorunuzu anlamıyorum.

İyi şanlar

Tartışmaya katılan herkese geçen bir soru. Kene verileriyle mi çalışıyorsunuz ? Çubuk analizinden uzun zaman önce uzaklaştım, sadece DSP yöntemleri üzerinde çalışıyorum.
1234567891011
Yeni yorum