交易中的机器学习：理论、模型、实践和算法交易 - 页 2761

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
在这些文章中，我没有看到任何有意义的特征选择。 所谓有意义，不是从一堆特征中进行选择，而是立即做出一个信息丰富的标记芯片目标。为任何特征选择目标特征都是可能的。这在增量法中是不可能实现的。我们必须在目标属性下选择目标属性。

随机是指交易从零开始，在各个方向上以不同的持续时间和梦想进行播种，具体取决于结果

"有意义"--这是我给出的图片中的说法，它使"翔实的标记筹码-目标一目了然"。

你说的 "有意义 "是什么意思？

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

"有意义 "是指我引用的图片，这也是"翔实的标记一下子就有了目标"的原因。

你说的 "有意义 "是什么意思？

好吧，如果他们马上就做，那就行。我不记得了。那篇文章叫什么？我一会儿再看

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
如果他们马上就做，那就没问题。我不记得了那篇文章叫什么？我一会儿再读

这里，作者是弗拉基米尔-佩列文科 他从数据挖掘开始写了一整周的文章我的观点在很多方面与他不谋而合，除了模型本身。我认为对于我们的需求来说，它复杂得不合理。

[JeeyCi]

СанСаныч Фоменко #:

"有意义 "是指我所提供的图片，这些图片使 "翔实的标记一下子就有了目标

https://www.mql5.com/ru/articles/3507 中的图片就是 所谓 的--图 12。一组 2 列火车的变化和协方差

从协方差到相关性是 1 步....(但你是个天才，每个人都会冒犯你 - 所以请自行谷歌）....祝您成功打磨您的概念装置......一旦你理解了词语的含义，你的行话的伪天才性和你所谓论证的虚假性就会瞬间烟消云散......你的叫喊改变不了逻辑......

--总的来说，主题没有改变，仍然是撕裂喉咙，试图宣称自己是天才，发明了自行车，--可以说是 "先驱"...

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

这里，来自VLADIMIR PERERVENKO。他从数据挖掘入手，系统完整地撰写了一系列文章。我的观点在很多方面与他不谋而合，除了模型本身。我认为对于我们的需求来说，它复杂得不合理。

我没有看到任何针对特定属性的目标标记。我们采取的是任意滞后的增量。这只对某些目标有参考价值，而对其他目标则没有参考价值。

我刚刚检查了哪些属性更适合特定目标。

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
我 没有看到任何关于具体功能目标的标记。我们采取的是任意滞后的增量。它只对某些目标有参考价值，而对其他目标则没有参考价值。

我刚刚检查了哪些属性更适合特定目标。

我不明白。标记是什么意思？

目标-预测对是相关的，正是因为它们是相关的，所以才存在这一对。要找到这样的配对已经很难了。关联越强，拟合误差越小。对于另一个目标，预测器问题就不同了。

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

我不明白。标记是什么意思？

目标-预测对是相关的，而这对关系的存在正是因为它是相关的。要找到这样的配对已经很难了。关联越强，拟合误差越小。对于另一个目标，预测问题就不同了。

最初，您的符号与目标符号无关，因为目标符号是增量符号，即无意义符号

然后，从几十上百个符号中选择与这些目标最相关的符号。这是最低效的方法，但也有它的用武之地。

因此，你可以将猫和狗这两个类别进行分类。作为输入特征，你可以给出骆驼蹄子、鱼尾巴、山雀、茶匙、光速等等。当然，有时你也能进入，但非常困难。

猫和狗也混在一起，情况就更复杂了，因为增量的标志并不是预测的具体物体，而只是它的一小部分，比如一条腿。这条腿可以是狗的，但在这一刻，你却把它看成是猫的。

因此，要么对一切事物进行硬性搜索，要么根据特征构建目标。

普拉多在他的书中首次尝试跨越三重障碍进行类标记，以更清晰地区分类。但在我看来，这种方法仍然很幼稚。

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:

最初，您的符号不属于目标符号，因为目标符号是增量符号，即无意义符号

然后，从成百上千的符号中选择最适合这些目标的符号。这是最低效的方法，但也有它的用武之地。

因此，您可以将猫和狗这两个类别进行分类。在输入时，你可以给出骆驼蹄子、鱼尾巴、山雀、茶匙、光速等特征。当然，有时你也能进入，但非常困难。

猫和狗也混在一起，情况就更复杂了，因为增量的标志并不是预测的具体物体，而只是它的一小部分，比如一条腿。这条腿可以是狗的，但在这一刻，你却把它看成了猫的。

因此，要么对一切事物进行硬性搜索，要么根据特征构建目标。

我希望我是错的，但我的印象是，人们对特征的理解并不完全相同。

[Maxim Dmitrievsky]

Valeriy Yastremskiy #:
我希望我是错的，但我感觉对属性的理解并不相同。

特征是输入到 NS 的输入端，而类标签则是输出端。

特征应该代表被分类对象的部分信息，这就是它成为特征的原因。可以说，它是一个区分标志。

在我看来，只要没有明确定义被分类的对象，那么所有这 100 种花哨的拟合方法都会得到相同的结果

[Ivan Butko]

Maxim Dmitrievsky #:

特征 应该代表被分类对象的部分信息，这就是特征。可以说是一种徽章。

在我看来，只要没有明确被分类的对象是什么，那么所有这 100 种花哨的拟合方式都会得到相同的结果

间接标志可行吗？例如，猫和狗经常打架，但狗更可能追逐猫。给我们提供了两个物体及其动作。我们的任务是：在通过事实数据核对一次后，确定其中哪个是猫，哪个是狗，并在随后的时间里独立确定谁是谁。我们可以肯定其中一个是猫，另一个是狗，但我们看不到它们的轮廓，也听不到它们的声音，甚至看不到它们的踪迹，只能看到运动的坐标。我们向神经网络提供物体来回移动的信息（买-卖）。在 "思考 "和权重相乘的过程中，神经网络告诉我们，一个物体总是跑在前面，另一个在后面（MA_5[0] > MA_10[0]），并做出了一个假设：狗现在在前面吗？用实际数据进行检验，得到答案（否），修正数据，假设是猫，检验结果--（是）。现在，神经网络知道如何通过物体的打斗和移动来判断谁是猫，谁是狗了。

也就是说，似乎可以给神经网络输入很多东西，它就能找到某些东西，并以这样的方式（赫尔克里-波洛）找到它，从而给出必要的答案。也就是说，在这种情况下，特征并不代表被分类对象的部分信息，而是一种可能的解决方案。