Градиентный бустинг является сильным алгоритмом машинного обучения. Суть метода заключается в построении ансамбля слабых моделей (например, деревьев принятия решений), в которых (в отличие от бэггинга) модели строятся не независимо (параллельно), а последовательно. Говоря простым языком, это означает, что следующее дерево учится на ошибках...
你应该写一个所有东西的随机列举,并从中学习,选择可学习的东西+遗传学来缩短搜索时间,然后离开计算机几个月....
我正准备写一篇关于Python中随机抽样的文章
所以有了这个。)
https://www.mql5.com/ru/articles/8642
我计划将其与RNN、CNN等进行比较。但首先要在catbust上再做一些修改。
我认为最好不要在模式之后寻找模式,而是寻找与这个模式相关的价格反弹,这要正式的多,但在我看来,这更难
我们可以在历史上计算出价格增长的百分之多少是在某种模式下(算术平均值,均方根),例如。
你可以在历史上计算,例如,对于一个给定的模式,价格上涨的百分比是多少(算术平均值,标准偏差)。
你可以简单地将模式归一化为0-1的范围,例如,然后将空间相对于这个模式归一化,就这样。
明白我的意思吗?你可以简单地将图案归一化为0-1的范围,例如,然后将相对于该图案的空间归一化,就是这样。
明白我的意思吗?我不明白。
我这里有目前的模式。
'长'模式 = X ,
模式'短'=B。
过去的事件=L。
我可以利用历史来找到什么时候是一样的。
然后相对于该模式对空间进行归一化处理-- 通过固定范围内的函数类型(或有低于最大值的25%,等等)。
我不明白。
看,比这更简单,我也琢磨了好几年了......
我们有一个X1型的牧师
x1 <- rnorm(40)
我们还有另外两种模式x2和x3,它们与x1相同,但波动率不同。
我们认为前5个点是模式,下面所有的点将被视为相对于模式的空间。
1)图案应该落在一个单一的范围内,例如0-1
正常化
三种模式都应该是一样的
现在将相对于图案的空间归一化
这是由R02函数完成的
其中,"y "是空间,而 "x "不是一个规范化的模式。
然后我们将函数r01和r02的转换结果连接在一行(向量)中
我们得到了一个归一化为0-1范围的模式,空间就这个模式进行了归一化。
不应通过相关性,而应通过欧几里得度量来搜索相似性。
数值越小,图案就越接近对方
我看到它是不同的。
你有一个描述价格的模式,我有分段(较短、较长)。如果一个图案等于一个B,那么只有相同的B才与它相同。
由于波动性,图案周围的空间当然不同,但我不需要它,因为我关心的是形式上的问题(更短或更长)。
我看到它是不同的。
你有一个描述价格的模式,我有分段(较短、较长)。如果一个图案等于一个B,那么只有相同的B才与它相同。
你所比较的东西有什么区别?
你的模式10-20-10和20-40-20到底是不是同一个模式?
比较什么有什么区别呢?
你的图案尺寸10-20-10和20-40-20到底是不是同一个图案?
我有几个明确描述的图案,它们都是不同的,例如0110和1001。
什么尺寸? 我有几个描述清楚的图案,它们都是不同的,如0110和1001。
那么,这些部分是你的。
10支蜡烛 - 20支蜡烛 - 10支蜡烛
不要慢下来)
那么,这些部分是你的。
10支蜡烛 - 20支蜡烛 - 10支蜡烛
不要慢下来)
哪些蜡烛是10-20-10?