交易中的机器学习：理论、模型、实践和算法交易 - 页 1956

新评论
 

顺便说一下，有谁参加过ICP的网络研讨会?????。我之前给你发了一个链接吗？

有趣的是，他们想在12月前开发出一种用思想打字的设备和软件。总的来说，我喜欢他们谈论的内容，而且很有趣!!!!!。谁在那里？

 
Renat Akhtyamov:

我不能确定，但我怀疑模拟数字立即是一个值，而数字数字需要转换为这个值。

但是处理器会变热，我担心他们的模拟量会随着时间的推移而浮动（给出错误），另外还会有很多干扰。

模拟输入可以将不确定性和噪声降低到零。

一个简单的例子--高端音频设备只是电子管技术，以避免采样和随之而来的精度损失。

 
Mihail Marchukajtes:

顺便说一下，有谁参加过ICP的网络研讨会?????。我之前给你发了一个链接吗？

有趣的是，他们想在12月前开发出一种用思想打字的设备和软件。总的来说，我喜欢他们谈论的内容，而且很有趣!!!!!。谁去了？

我们已经发明了一种用于电动自行车的很酷的电机，并将专利卖到了国外，但在这里没有人想要它。

更有甚者，打字和造芯片是撒旦教，反对教会，人们会因此被烧死。

 
Aleksey Vyazmikin:

我本来想指出，不是数据会不同，而是结果会不同，但现在我在想，如果我们真的把周围的数据信息添加到没有参与建立模型的样本中，会怎么样？如果我们只是以树为例，那么在最后一次拆分之前，我们看一下其他预测因素的统计数据，找出那些在统计学上显示为正的分类选项，并着眼于确保在整个样本中，这些预测因素与最后一次拆分中的预测因素不相关，那么我们就有了在选择最后一次拆分时没有考虑到的关于市场状况的额外信息。而树则是根据贪婪原则构建的， 最后的分割肯定是预测者之间的竞争。

那么我们的分割将不仅仅是A>X，而是A>X1 &&B>X2&&C>X3--即我们将环境信息考虑在内。

在每次拆分中，不只是最后一次，都会选择所有预测器的最佳拆分。循环遍历预测因子，以不同的方式对它们进行细分，并记住这样细分后的数据变得多干净。然后他们采取最好的一个。

关于这篇文章：那里的关键短语""模拟 "技术允许你在乘以矢量矩阵时得到几乎相同的结果，假设精度低于 使用数字0和1的数据。"
精度会随着环境冻土/沙漠温度的变化而浮动，开机后芯片本身的热量，随着时间的推移，一些元素的参数也会浮动。再加上噪音会改变数值，在野外有一些，在电线下有一些，在城市里有一些，在无线电发射器附近有一些，等等。
对于粗略的计算，+-20%可能就可以了。

 
Aleksey Vyazmikin:
文章 中的模拟计算方法是什么--谁得到的？

他们进行加减运算，然后你可以进行乘除运算，这当然比计数快，因为这是一个单一的操作），然后你进行数字化。我认为在结构上模拟输入，然后是模拟信号的加法器或除法器，最后是某个单元中的仪表，有很多单元和对它们的访问。像电荷耦合器件，像相机中的矩阵，激光测距仪。它们从光电管输入模拟信号，测量信号，可以说，并输出数字信号。

纠正了，在单元的末尾是ADC，在开头是DAC。CCD有一个0或1的单元输出。因此，他们正在测量的东西并不完全正确。

 
elibrarius:

每次拆分，不只是最后一次，都会选择所有预测器的最佳拆分。简单地在预测因子中循环，以不同的方式进行细分，并记住这样分割后的数据变得更加干净。然后他们采取最好的一个。

有意思的是，要得到一个想法是多么的困难 :)当然，你所写的东西在这里大家都知道，这不是新闻。我说的正是在最后一次分割时保留预测因子的平行值的测量，但不是所有的预测因子，而是那些结果与选定的预测因子接近，但它们在总样本上没有相互关联的预测因子。在这种情况下，将不会在分区域内根据一种分割做出决定，而是根据支持性的其他分割做出决定。我在分组时也做了类似的事情，但竞争者不受控制地得到了，而在这里我应该对所有的叶子都强行做。


elibrarius:

关于这篇文章：那里的关键短语是""模拟 "技术允许你在乘以矢量矩阵时得到几乎相同的结果，假设精度低于 使用数字0和1的数据。"

准确度会根据环境中的冻土/沙漠温度、开机后芯片本身的热量而浮动，随着时间的推移，一些元素的参数也会浮动。再加上噪音会改变数值，在野外有一些，在电线下有一些，在城市里有一些，在无线电发射器附近有一些，等等。
对于粗略的计算，+-20%可能就可以了。

温度可以稳定，有可能对中间的数字结果进行修正，知道对温度变化的依赖性，并在输出端。

 
Andrey Dik:

似乎是类似电子管晶体管的东西，只是非常小。

某种本质上的波浪作用？传入的数据被转换为多项式，然后多项式被转换为波，这些波以某种方式 "碰撞/合并"？

 
Valeriy Yastremskiy:

它不是计算，而是直接在模拟信号的板上进行测量，它们自己加减，然后你可以乘除，当然比计数快，因为它是一个单一的操作），然后进行数字化。我认为在结构上模拟输入，然后是模拟信号的加法器或除法器，最后是某个单元中的仪表，有很多单元和对它们的访问。像电荷耦合器件，像照相机中的矩阵，激光测距仪。它们从光电管输入模拟信号，测量信号，可以说，并输出数字信号。

纠正了，在单元的末尾是ADC，在开头是DAC。CCD有一个0或1的单元输出。因此，他们测量的东西并不完全正确。

早些时候，我在这里发布了关于透明铂金形式的NS，其内部有折射--光线从一侧进入，然后根据光学定律重新分配，在另一个地方出来--我认为这里应该有类似的东西，这将真正提供更高的数据处理速度。

但如何进行模拟计算，如何进行指数化，用ADC就不太清楚了......

 
Aleksey Vyazmikin:

不过，有趣的是，要把一个想法表达出来 是多么的困难 :) 当然，你写的东西对这里的每个人来说都不是新闻。我具体说的是在最后一次分割上保留平行预测值的测量，但不是所有的预测值，而是那些结果与选定的预测值接近，但它们在整个样本中不相互关联的测量。在这种情况下，将不会根据一种分割方式在次区域作出决定，而是根据支持的其他分割方式作出决定。我现在在分组时也做了类似的事情，但在我这里，申请者会不受控制地得到，而在这里，它应该是被迫在所有的叶子上。

这就对了。如果能一次性描述出行动的顺序就好了......
再次思考你的描述，我认为有以下顺序。

1.计算所有预测器在训练中的相关性
2.建立树
3.在最后一次劈叉时，要记住例如最后100次的最佳劈叉。储存到100个，以便有足够的选择。
4.从这100个中选择5个与最佳分割的预测器不相关且相互不相关的。

此外，也不清楚在这5种不同的分割中选择哪一种？
如果是随机的，那么它就类似于随机森林，它给每棵树随机的预测因子，并在此基础上建立一棵树。
如果为平均数，那么又是随机森林的类似物，然后森林从随机树的预测中抽取最终预测的算术平均值。

 
Aleksey Vyazmikin:

早些时候，我在这里发布了关于透明铂金形式的NS，其内部有折射--光线从一侧进入，然后根据光学定律重新分配，在另一个地方离开--我认为这里应该有类似的东西，这将真正提供高速的数据处理。

但如何进行模拟计算，度转换有--用ADC不太清楚...

不，模拟运算是和、减、乘、除以及可能更复杂的对数、幂关系。而且这些不是计算，而是每个单元的模拟量表。而DAC和ADC是一种输入输出，它们不参与计算，而是提供数字。

在诺伊曼架构中，程序和数据都存储在内存中，没有对程序和数据的并行访问；先访问数据，再访问程序，然后再回到数据，因此数据处理受到限制。而在这里，程序是通过小设备存储在每个单元中的，并且可以一次性访问程序，同时访问数据。

1...194919501951195219531954195519561957195819591960196119621963...3399
新评论