#way <- "F:\\FX\\R\\tree_classification_2019_fS_Eks_29\\Test_Pred_ALL_01.csv"# ваш путь
way <- "F:\\FX\\R\\2020_04_11_Pred_New_Full\\Pred_New_Full.csv"# ваш путь
dt <- read.csv(file = way,header = T,sep = ";") # читаем файл
target <- dt$Target_100 # целевую в отдельную переменную
dt <- dt[, ! colnames(dt) %in%
# c("Target_100_Buy","Target_100_Sell",
# "Time","Target_100") ] # удаляем не нужные колонки
c("Target_100") ] # удаляем не нужные колонки
km <- kmeans(um$layout, centers = 4) # роскоментируем и Устанавливаем нужные пакеты после чего эту строку можно удалить
#install.packages(c("rgl", "car" , "umap"))
# про umap
#https://cran.r-project.org/web/packages/umap/vignettes/umap.html#https://github.com/ropenscilabs/umaprlibrary(umap)
um <- umap(dt,n_components=3)
# n_components=3 во сколько измерений уменьшаем данные, можно 100 можно 1# можно 333, но нам для 3 д надо трех мерное пространство поетому у нас n_comp=3
um.res <- um$layout # наши три вектора выход
#тут все настройки по пакету car
# http://www.sthda.com/english/wiki/amazing-interactive-3d-scatter-plots-r-software-and-data-visualizationlibrary(car) # 3 d
target <- as.factor(target) # target нужен для того чтобы окрасить точки в цвет целевой
scatter3d(x = um.res[,1],
y = um.res[,2],
z = um.res[,3],
groups = as.factor(km$cluster),
grid = FALSE,
surface = FALSE,
ellipsoid = TRUE,
bg.col = "black")
write.csv(km$cluster, file = "F:\\FX\\R\\2020_04_11_Pred_New_Full\\Pred.csv", sep = ";",row.names = F,col.names = T)
而你想要的结果是什么呢？，用谐波的方式来进行傅里叶。或正交多项式，有很多这样的例子。一切都可以被分解）。
我不需要分解，我需要创造。我需要创建一个能满足我需求的函数，我不知道这个函数是什么。
也许按谐波列举，但我将考虑所有的变体。
从本质上讲，它是相同的近似，但列举 不是为了减少误差，而是为了与条件的对应。
因此，我想知道这个搜索是 如何组织的 ，即使是在一个简单的谐波近似中，那里乘以什么来改变函数？
一般来说，将一个功能调整为另一个功能的机制是如何运作的？我不需要分解，我需要创造。我需要从时间上创建一个能满足我的条件的函数，哪个函数我不知道，所以我需要创建一个搜索。
可能是谐音枚举，但我将考虑所有的选项。
本质上，它是相同的近似，但它 不是在减少误差，而是在与条件的对应上。
所以我想知道这个搜索是 如何组织的 ，即使是在一个简单的谐波近似中，那里乘以什么来改变函数？
一般来说，将一个功能调整为另一个功能的机制是如何运作的？我不能用公式说，在从最大的时期到最小的时期的分解的意义上。你找到最大的谐波，从真实的信号中减去它，从剩下的信号中找到最大的一个，然后把它减到要求的精度。而在近似中（用直断线性函数近似表示真实信号），我们用直线表示离散部分的谐波。如果取样是半个周期（如果超过这个周期，什么也不会出来），我们将得到 "P "或极值之间的直线，如果是四分之一或更多，我们将得到断线。而如果我们减少采样步骤，我们就会提高精度。
如果价格选择较长，可以将其分解为较短的部分，并在这些部分上列举/选择线性、幂、谐和和对数函数。理想情况下，谐波和线性正交应该能解决这个问题。不止一次证明了这一点。但只是在历史上。
与市场没有关系，我们的功能/数学模型随着时间的推移而变化，没有明确的标准，没有证明需要多少数据来确定数学模型和它与相同的BP不匹配，除了在半期的离散性不会给出结果，这已经被证明）。所有的经验性或NS与MO）但也是经验性的。
没有功能与变化的条件，我们在这一段有一组谐波，在下一段有另一组谐波。声音的取样是48千赫兹，是我们听觉的两倍，所以我们在高频率上会有损失。而数字式每周期有2个信号电平，为1/48000秒。
我不需要分解，我需要创造。我需要从时间上创建一个能满足我的条件的函数，哪个函数我不知道，所以我需要创建一个搜索。
可能是谐音枚举，但我将考虑所有的选项。
从本质上讲，它是相同的近似，但列举 不是为了减少误差，而是为了与条件的对应。
因此，我想知道这个搜索是 如何组织的 ，即使是在一个简单的谐波近似中，在那里乘以什么来改变函数？
一个功能与另一个功能的配合机制是如何运作的？我跟你说过多少次了，3次还是5次？
那么，他们为什么要编造它呢？之前发布的视频中，有一个人算是使用了这个奇迹般的魔鬼，并得出结论，这个样本适合训练...
那么，他们为什么要想出这个办法呢？早些时候发布的视频中，有一个人算是使用了这个神奇的工具，并得出结论，采样适合于训练...
他用了t-sne（喜欢），但这并不重要，它可以工作，而且工作得很好，但不像其他东西那样用于市场，只要从网上下载任何数据集，你就会发现它工作得很好，但...
但我可以得出一些结论：集群是稳定的，但它们与利润不相关，目标与利润相关，但在集群周围移动，可能是因为每个目标都是客观现实。 我将尝试通过其历史类似物来识别模式，但不是通过价格，而是通过umap，因为我从一开始就想。
谐波，是不是像傅里叶波？ 就是不同周期和振幅的正弦波加在一起 A1*cos(2Pi*t/T1+Fi1)+A2*cos(2Pi*t/T2+Fi2) +...A - 振幅，T - 周期，Fi - 相位
老兄，这很复杂....我理解谐波，但从谐波中收集系列并尝试它们可能是愚蠢的，可能它应该作为某物对某物的依赖来做，这是他妈的硬....。但如果做到了，就是圣 杯。
特征选择[编辑|编辑代码]
特征选择方法 试图找到原始变量的一个子集（称为特征或属性）。有三种策略--过滤策略（例如，特征积累 [en]）、包装策略（例如，根据准确性进行搜索）和嵌入策略（根据预测误差，在建立模型时选择添加或删除特征）。另见组合优化问题。
在某些情况下，数据分析，如回归 或分类，可以在缩小的空间中比在原始空间中更准确地完成[3]。
投影的特征[编辑|编辑代码]
特征投影将数据从高维空间 转换到低维空间。数据的转换可以是线性的，如主成分法（PCM），但也有一些非线性 的缩小技术。 对于多维数据，张量 表示可用于通过子空间的多线性训练 来降低维度 [en] [ 6]。
我错过了有你解释的文字--我纠正自己。
我马上有一些问题。
1.如何以任何规则的形式获得特征选择及其转换的结果，以便在代码中单独使用？
2.也许有一种方法可以将选定的特征和它们的转变可视化--通过树或其他东西？
3.你试过这些特征选择策略吗？
特征选择方法 试图找到原始变量的一个子集（这被称为特征或属性）。有三种策略--过滤策略（例如，特征积累 [en]），包装策略（例如，根据准确性进行搜索），以及嵌入策略（根据预测误差选择属性，在模型建立过程中添加或删除）。另见组合优化问题。
在某些情况 下，数据分析，如回归或分类，可以在缩小的空间中比在原始空间中更准确地完成[3]。
这就是我们昨天所做的。
降维[编辑|编辑代码]
对于高维数据集（即超过10个维度），通常在应用k-nearest neighbours算法（k-NN）之前 进行缩减，以避免维度诅咒的影响 [16] 。
降维的优点[编辑|编辑代码]
在我看来，从代码上看，聚类是独立的，投影构造也是独立的，然后我们只是在渲染时将聚类的结果用于调色--不是吗？
他用了t-sne（喜欢），但这并不重要，好吧，他们编造了它，它可以工作，而且工作得很好，但不适合市场，就像其他一切，从互联网上下载任何数据集，看到这个东西工作得很好，但...
但我可能会得出结论：群组是稳定的，但它们没有与利润产生共鸣，目标与利润产生共鸣，但在群组周围移动，可能是因为每个目标都是客观现实。 我想尝试使用历史类似物来识别模式，不使用价格，而是使用umap，因为我从一开始就计划。
那么，你如何在历史上标记它们进行分类？然后，所以你已经认出了他们，然后呢？有一天，我在4个集群中分布寻找目标......。除非你把目标从集群改变到集群。一般来说，我们需要了解为什么字符串会进入不同的群组--分析逻辑，如果有的话，并且与市场相连接。
错过了有你解释的文字--我纠正了。
我马上有一些问题。
1.如何在代码中以任何规则的形式获得特征选择的结果与它们的转换，以便单独应用？
2.也许有一种方法可以将选定的特征和它们的转变可视化--通过树或其他东西？
3.你试过这些特征选择策略吗？
4.在我看来，代码中的聚类是独立的，投影构建是独立的，然后我们只是在渲染时将聚类的结果用于调色，不是吗？
1.这和想要10万的收盘价是一样的，由规则描述，在代码中单独应用
2.属性是以函数的形式出现的，这意味着什么？
3.我尝试了一些东西；它降低了维度，但质量并没有提高，但我仍然认为将10k属性压缩到500而不损失质量，我觉得非常酷。
4.没错，我们先降维然后再聚类，这里也写了-------。对于高维数据集（即维数高于10），通常在 应用K-近邻法之前先降 维。
1.这与希望10万的收盘价在代码中单独使用 的规则描述是一样的
2.特征以函数的形式出现，并带有所有的后果
3.我尝试了一些东西；它降低了维度，但质量没有增加，但它仍然很酷，例如，我们可以将10k属性压缩到500而没有质量损失，我觉得非常酷，或压缩到50而有可接受的损失。
4.没错，我们先降维然后再聚类，这里是这么说的------- 对于高维数据集（即维数高于10的数据集），通常在 应用k-近邻法之前进行 降维。
1.你一定是误解了这个问题--只是把规则卸载到一个文件中，而且有规则，这在2中得到了确认。
2.
3.预测因素之间可能有很高的相关性，包括转换后？是否有可能得到一个已退休的预测器的列表，或者它们没有被退休，只是被合并成了一组而已--想不通。
4.也许我误解了代码，或者把它归类错了，我再贴一次
1.你一定是误解了这个问题--它是关于将规则上传到一个文件中，而且有规则，这一点在第2点中已经确认。
2.这很好。
3.预测因素之间可能有很高的相关性，包括转换后？是否有可能得到一个已退休的预测器的列表，或者它们没有被退休，只是被合并成了一组而已--想不通。
4.也许我误解了代码，或者把它归类错了，我再贴一次
1.我还是不明白。
3.转化后不可能有相关的特征。是的，我们可以说它们被合并到其他结构（属性）中，但没有多余的东西
4.
论文是一个表达式，即不能对其进行评论 )))