> head(sec1)
date time open high low close vol
12016.09.0608:453081.53082.53080.53080.5622016.09.0608:503081.53081.53079.53080.5632016.09.0608:553081.53082.53081.53082.51942016.09.0609:003083.53083.53081.53082.51952016.09.0609:053083.53085.53082.53085.5862016.09.0609:103086.53086.53084.53086.515
> head(sec2)
date time open high low close vol
12016.09.1313:0095.3495.4095.3395.393622016.09.1313:0595.4095.4395.3995.414032016.09.1313:1095.4295.4495.4095.423742016.09.1313:1595.4195.4295.3995.392552016.09.1313:2095.4095.4195.3895.382162016.09.1313:2595.3995.4295.3895.4232
> head(sec3)
date time open high low close vol
12016.09.1418:101.124331.124561.124311.1245013722016.09.1418:151.124441.124591.124241.1245513932016.09.1418:201.124541.124771.124461.1246914842016.09.1418:251.124681.124741.124421.1245312052016.09.1418:301.124521.124831.124421.1248215662016.09.1418:351.124811.124991.124721.12474126
Статья является продолжением предыдущих статей по глубоким нейросетям и выбору предикторов. В ней мы рассмотрим особенность нейросети, инициируемой Stacked RBM, а также её реализации в пакете "darch".
我不知道如何用标准的方式来做,但像这样用库来做。
非常感谢!!!。你对包很了解,在专门的论坛上,有人提出让我就同一个问题重新写format()类,并展示了一个有~300行代码的例子,我已经开始考虑各种拐杖了,这里有一个很好的解决方案......谢谢!
还有一个问题--我有三个长度略有不同的数据帧,因为观察是在不同的时间进行的。
我怎样才能使它们同步化,只留下那些在所有三个框架中的观察结果,而放弃那些只在不同框架中发现的观察结果?
还有一个问题--我有三个长度略有不同的数据帧,因为观察是在不同的时间进行的。
我怎样才能通过时间来同步它们,只留下那些在所有三个帧中的观察结果,而放弃那些只在不同帧中出现的观察结果呢?
正面的情况会是这样。
a <- data.frame(c1 = c('a','b','c','d','e','f'), c2 = c(1,2,3,4,5,6))
b <- data.frame(c1 = c('a','b','c','d','e'), c2 = c(1,2,3,4,5))
c <- data.frame(c1 = c('b','c','d','e','f'), c2 = c(2,3,4,5,6))
a$concat <- do.call(paste0, a[1:2])
b$concat <- do.call(paste0, b[1:2])
c$concat <- do.call(paste0, c[1:2])
concat_vec <- append(unique(a$concat)
, c(unique(b$concat)
, unique(c$concat)))
concat_vec_tbl <- as.data.frame(table(concat_vec))
concat_vec_tbl <- concat_vec_tbl[concat_vec_tbl$Freq == 3, ]
a <- a[a$concat %in% concat_vec_tbl$concat_vec, ]
b <- b[b$concat %in% concat_vec_tbl$concat_vec, ]
c <- c[c$concat %in% concat_vec_tbl$concat_vec, ]
https://www.mql5.com/en/blogs/post/650079
在迎面而来的情况下,它将是这样的。
https://www.mql5.com/en/blogs/post/650079
阿列克谢!
你是一个多么有趣的人啊!
我已经在这里写了一百次,说我用rf来提高真正的TS在指标上的表现,但你没有回应。
更重要的是,我曾多次建议。
1.采取真正的TS。
2.我们区分了TS的问题,并开始使用R工具来解决它们
在我提到的案例中,我使用了rf来解决指标的滞后问题,它通常在第1条(-1)给出信息,而rf在第1条之前给出信息。对于H4来说,是8个小时!因此,我设法大大减少了缩水。
https://www.mql5.com/en/blogs/post/650079
这篇文章的想法在文章中的实施略有不同https://www.mql5.com/ru/articles/1628。
我想知道大家在阅读本网站的机器学习文章时是否都会有一年的延迟?(反问句)。
祝好运
阿列克谢!
你是一个多么有趣的人啊!
我在这里写了一百次,说我用rf来提高真正的TS在指标上的表现,而你却没有回应。
此外,我曾多次表达过这样的想法。
1.采取真正的TS。
2.我们区分了TS的问题,并开始使用R工具来解决它们
在我提到的案例中,我使用了rf来解决指标的滞后问题,它通常在第1条(-1)给出信息,而rf在第1条之前给出信息。对于H4来说,是8个小时!因此,我设法大大减少了缩水。
我明白。只是如果没有具体的细节,就很难评价思想的深度。那篇文章中还有图片。佩雷文科看起来也是如此。我也读了他的文章。
好吧,这里的罪行是......
我的目的是将对话引向实用的方向,而不是以任何方式冒犯任何人......
到目前为止,我们有零散的碎片。
你的学术方法....对我来说,你的计算方法的价值是毋庸置疑的,但....我在上面已经表达了我的疑虑。
我密切关注弗拉基米尔-佩雷文科的 工作,我从未见过任何证据表明模型没有被重新训练。最后一个环节。变量的重要性是由树形算法决定的。但是,由于可用噪声值的便利性,树木倾向于更经常地使用这些噪声预测器,结果是噪声在重要性估计中突然出现。
因此,我们必须从算法入手,去除噪声预测器。没有这些,所有其他步骤都没有实际用途,因为所有的模型估计都不能推算到未来。
然后在窗口中训练模型,而窗口的宽度必须以某种方式进行论证。然后在工作窗口的预测器预选中使用训练好的模型....。
类似这样的事情。