交易中的机器学习：理论、模型、实践和算法交易 - 页 1994

新评论
 
马克西姆-德米特里夫斯基：
那里没有任何层次，它是一个树的助推器

人，在来源和预测之间的功能不是线性和复杂的。但最初，目标是一致性和正确的预测。这就是为什么相关性通常是正的。不是线性的。而且这对预测算法没有任何区别。数据的准备是为了正确的预测。但所有这些还不足以做出可靠的预测。))))

 
Valeriy Yastremskiy:

他说，在来源和预测之间的功能不是线性和复杂的。但最初，目标是匹配和正确预测。因此，相关关系通常是正的。不是线性的。而且这对预测算法没有任何区别。数据的准备是为了正确的预测。但所有这些还不足以做出可靠的预测。))))

F-y简单线性，p平方误差。正如Elibrarius指出的那样--我们就把它称为一个系数吧。但对于提问的人来说可能无法理解，所以我把它转换成了百分比。我们可以继续讨论这个对大家来说非常重要的话题 🤣🤣🤣🤣
 
Maxim Dmitrievsky:
F-squared是简单的线性，P-squared误差

好吧，我们谈论的是不同的事情。P平方误差是对预测的估计，而不是依赖--原始数据对预测的函数。在估计是简单的，数据是真实的和预测的，但对预测原始数据的依赖是复杂的。而且通常不是这样。这很复杂。估计结果比较容易。

 
Valeriy Yastremskiy:

我们谈论的是不同的事情。p平方误差是对预测的估计，而不是依赖性--原始数据对预测的函数。在估计中是简单的，数据是真实的和预测的，但对预测原始数据的依赖性是复杂的。而且通常不是这样。这很复杂。估计结果比较容易。

那么他问的是结果，模型是否显示了依赖性。古典的则没有。也许有一个更复杂的人会这样做。
 
Maxim Dmitrievsky:
那么他要求的是一个结果，无论模型是否显示出依赖性。经典的则没有。也许一些花哨的人会。

伙计，我开始有点不舒服了......我似乎根本不是在教训你。)))) 让我问你一个问题。正确理解了Python教程的内容。名称的全球定位是由名称的位置决定的，但如果在别人的名称空间中，与它们的行动是由全球定位前缀决定的。而如果没有前缀，名称空间的名称优先考虑。有趣的命名空间逻辑，特别是在BASIC)))) 之后。

 
Maxim Dmitrievsky:

比前五次的数值要高。

60%的准确性

在之前的10个数值上，准确度下降了50

第三次的精确度是57

蓝色基线，橙色预测。最后300个值



谢谢Maxim!

实际上，我忘了说，模型预测了系列的下一个符号（+-），目标+加值，这就足够了。准确的精确度并不重要。

样本长度n=54，涵盖所有可能的值。

 
Valeriy Yastremskiy:

伙计，我开始有点不舒服了......我还真没必要教训你。))))，让我问你一个问题。正确理解了Python教程的内容。名称的全球定位是由名称的位置决定的，但如果在别人的名称空间中，与它们的行动是由全球定位前缀决定的。而如果没有前缀，名称空间的名称优先。有趣的命名空间逻辑，特别是在BASIC)))) 之后。

是
 
Evgeniy Chumakov:


谢谢你，马克西姆!

实际上，我忘了说，只要模型预测了系列的下一个符号（+-），目标+加值就足够了。而准确的精确度并不重要。

样本长度n=54，涵盖所有可能的值。

如果我有时间的话，我今天晚些时候会去做。

 
Maxim Dmitrievsky:
是

cp.一切都有价值。变量类型中的明确自由变成了明确的类型指示。虽然，如果没有相同的名字，它应该不需要前缀就能工作。

 
Valeriy Yastremskiy:

cp.一切都有价值。变量类型中明显的自由原来是类型的明确指示。虽然，如果没有相同的名字，它应该不需要前缀就可以工作。

使用大量的globals并不是好的做法，也没有任何意义。有必要看一下编程模式。明确指示类型没有影响，它仍然可以在任何时候被改变
1...198719881989199019911992199319941995199619971998199920002001...3399
新评论