Enterpolasyon, yaklaşıklık ve diğerleri (paket alglib) - sayfa 13

Yeni yorum
 
Алексей Тарабанов :

Eh, bu yüzden orada ve konuşma hakkında. Herhangi bir enterpolasyon polinomu, ekstrapolasyon için uygun değildir. Fourier orijinal seriyi aynen tekrarlar ve Lagrange veya Taylor gibi polinomlar, fiyat değişim oranında çığ benzeri bir artışla eğriler oluşturur. Düzgünleştirme, resmi yumuşatır, ancak fazla değil ve bu yanlıştır - orijinal kaynakla bağlantı kaybolur.

Enterpolasyonla ilgisi olmayan basit, anlaşılır ve etkili bir ekstrapolasyon yöntemi vardır. Akım.

okuduktan sonra bir şekilde yavaş yavaş stresten uzaklaşıyorsunuz, önceki okuyucular gibi burada başka bir konu tartışılıyor

 
Maxim Dmitrievsky :

okuduktan sonra bir şekilde yavaş yavaş stresten uzaklaşıyorsunuz, önceki okuyucular gibi burada başka bir konu tartışılıyor

Evet, bu zaten konu dışı.

 

Merhaba Maxim,

Birkaç gün önce 2 yerine n girdi vektörü için çekirdek çözümleri arıyordunuz. Bu çözümü buldunuz mu veya başka bir şekilde uygulamaya mı çalışıyorsunuz?

Eğer yanılmıyorsam, o zaman K'nin çekirdek işlevi olduğu K (x, y) yerine K (x1, x2, x3, ..., xn) çıktısını arıyorsunuz. Anlamakta haklı mıyım?

Öğrendiğim şey, fonksiyonun çekirdeğinin skaler değer olduğu. Yani tüm nokta çarpımlarının toplamı olmalıdır. Bunun gibi bir şey olmalı:

K (x1, x2, x3, ... xn) = Tüm z (i)'lerin toplamı. 0 <i < n olan tüm i için Z (i + 1)

Çekirdek işlevinin tüm işlevlerinin toplamı ile MQL5'te bir döngü için olabilir.

Test etme şansım yok. Ama benzer bir şey denediniz ve test ettiniz mi? Yoksa burada anlamada bir şeyi mi kaçırıyorum?

 
FxTrader562 :

Merhaba Maxim,

Birkaç gün önce 2 yerine n girdi vektörü için çekirdek çözümleri arıyordunuz. Bu çözümü buldunuz mu veya başka bir şekilde uygulamaya mı çalışıyorsunuz?

Eğer yanılmıyorsam, o zaman K'nin çekirdek işlevi olduğu K (x, y) yerine K (x1, x2, x3, ..., xn) çıktısını arıyorsunuz. Anlamakta haklı mıyım?

Öğrendiğim şey, fonksiyonun çekirdeğinin skaler değer olduğu. Yani tüm nokta çarpımlarının toplamı olmalıdır. Bunun gibi bir şey olmalı:

K (x1, x2, x3, ... xn) = Tüm z (i)'lerin toplamı. 0 <i < n olan tüm i için Z (i + 1)

Çekirdek işlevinin tüm işlevlerinin toplamı ile MQL5'te bir döngü için olabilir.

Test etme şansım yok. Ama benzer bir şey denediniz ve test ettiniz mi? Yoksa burada anlamada bir şeyi mi kaçırıyorum?

Merhaba, aslında bunu şimdi nasıl yapacağımı bilmiyorum, çünkü bu algoritmalar (SVM veya gauss süreci gibi) özellik eşleme ile değil, yalnızca iç ürünlerle çalışır. Şimdi daha iyisini nasıl yapacağım konusunda iyi bir fikir arıyorum

 
Maxim Dmitrievsky :

Merhaba, aslında bunu şimdi nasıl yapacağımı bilmiyorum, çünkü bu algoritmalar (SVM veya gauss süreci gibi) özellik eşleme ile değil, yalnızca iç ürünlerle çalışıyor. Şimdi daha iyisini nasıl yapacağım konusunda iyi bir fikir arıyorum

Anladığım kadarıyla çekirdek hilesi, SVM algoritmasının bir alt kümesidir ve yani artık çekirdek hilesi uygulamak istemediğiniz anlamına mı geliyor?

Özellik eşleme olarak adlandırdığınız şey, çekirdek hilesindeki yüksek uzay polinomlarının nokta çarpımı veya iç çarpımı olarak ifade edilir ve bu yüzden benim anladığım kadarıyla, bu sadece çekirdek fonksiyonlarının basit bir çarpımıdır.

Açıklığa kavuşturmak için, K(x,y)'de ardışık iki mumun mum kapanış fiyatını x ve y olarak çekirdeği elde etmek için kullanmayı mı planlıyorsunuz yoksa başka bir şey mi uygulamaya çalışıyorsunuz?

 
FxTrader562 :

Anladığım kadarıyla çekirdek hilesi, SVM algoritmasının bir alt kümesidir ve yani artık çekirdek hilesi uygulamak istemediğiniz anlamına mı geliyor?

Özellik eşleme olarak adlandırdığınız şey, çekirdek hilesindeki yüksek uzay polinomlarının nokta çarpımı veya iç çarpımı olarak ifade edilir ve bu yüzden benim anladığım kadarıyla, bu sadece çekirdek fonksiyonlarının basit bir çarpımıdır.

Açıklığa kavuşturmak için, K(x,y)'de ardışık iki mumun mum kapanış fiyatını x ve y olarak çekirdeği elde etmek için kullanmayı mı planlıyorsunuz yoksa başka bir şey mi uygulamaya çalışıyorsunuz?

Yani çarpımdan sonra girdi vektörlerini nasıl değiştireceğimi anlamıyorum, o zaman kesinlikle eşit olacaklar. Vektörleri (özellik eşleme) yerleştirmek için Gram matrisi ve ardından onunla bazı manipülasyonlar kullanılması gerektiğini söylüyor. İşte SVM ile örnek kod

https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/ 

def polynomial_kernel(x, y, p= 3 ):
     return ( 1 + np.dot(x, y)) ** p

# Gram matrix
        K = np.zeros((n_samples, n_samples))
         for i in range(n_samples):
             for j in range(n_samples):
                K[i,j] = self.kernel(X[i], X[j]) ??? Gram matrix 'K' is simmetrical. What we must do next, dont understand the code below

        P = cvxopt.matrix(np.outer(y,y) * K)
        q = cvxopt.matrix(np.ones(n_samples) * - 1 )
        A = cvxopt.matrix(y, ( 1 ,n_samples))
        b = cvxopt.matrix( 0.0 )

Şimdi onu anlamak için vektör uzaylarını öğreniyorum.

belki foruma gidersek daha iyi olur )

Python Programming Tutorials
  • pythonprogramming.net
Python Programming tutorials from beginner to advanced on a massive variety of topics. All video and text tutorials are free.
 
Maxim Dmitrievsky :

Yani çarpımdan sonra girdi vektörlerini nasıl değiştireceğimi anlamıyorum, o zaman kesinlikle eşit olacaklar. Vektörleri (özellik eşleme) yerleştirmek için Gram matrisi ve ardından onunla bazı manipülasyonlar kullanılması gerektiğini söylüyor. İşte SVM ile örnek kod

https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/

Şimdi onu anlamak için vektör uzaylarını öğreniyorum.

belki foruma gidersek daha iyi olur )

Tabii ki referans materyali videoda Gram matrisinin çözüldüğü diğer forumlarda verilmiştir. Ben de onu anlamaya çalışıyorum.

Ayrıca, şimdiye kadar MQL5'te anladınız ve uyguladınız mı? Yoksa daha fazla denemenin anlamı yok :)

 
FxTrader562 :

Tabii ki referans materyali videoda Gram matrisinin çözüldüğü diğer forumlarda verilmiştir. Ben de onu anlamaya çalışıyorum. İşte gram matrix'e özgü başka bir hızlı video referansı:

https://www.youtube.com/watch?v=8JiMUqbByGA

Ayrıca, şimdiye kadar MQL5'te anladınız ve uyguladınız mı? Yoksa daha fazla denemenin anlamı yok :)

Ama sonra ikinci dereceden çözücü çalışıyor, ne için emin değilim .. veya zaten sadece SVM mantığı :)

video için teşekkürler

 
Maxim Dmitrievsky :

Ama sonra ikinci dereceden çözücü çalışıyor, ne için emin değilim .. veya zaten sadece SVM mantığı :)

video için teşekkürler

Aynen..dediğim gibi, muhtemelen sadece MQL5'te bir for döngüsü ile uygulanabilir.

Eh, nihai hedefimize ulaşıldığı sürece başka şeylerle uğraşmamıza gerek yok :)

Demek istediğim, Mql5'teki girdileri ve çıktıları beklendiği gibi çekirdek olarak alabildiğimiz sürece, diğer şeyler önemli değil. Çünkü zaten son kısım, sonuçlara göre doğru uygulanıp uygulanmadığının her şeyin ortaya çıkacağı test kısmı olacak.

Bu arada, SVM sadece bir sınıflandırıcı tekniğidir ve çekirdek hilesi, basit nokta çarpımı nedeniyle bunu kolaylaştırır. Çekirdek hilesinde SVM'nin her şeyin uygulanması gerektiğini düşünmüyorum, çünkü çekirdek hilesinde her şey işlevin kendisi tarafından yapılır ve bu nedenle yapacak fazla bir şey yoktur.

Ayrıca bu video, çekirdek hilesi kullanılarak python'da örnek kodla birlikte SVM'yi ayrıntılı olarak açıklamaktadır. Bir göz atabilirsiniz:

https://www.youtube.com/watch?v=N1vOgolbjSc&t=157s

 
FxTrader562 :

Ama şimdi Gram matrisi ile nasıl çalışılacağını anlamıyorum, çünkü bu yeni dönüştürülmüş bir özellik değil, sadece eski özelliklerin skaler çarpımı ile matrisi

1...67891011121314151617
Yeni yorum