交易中的机器学习：理论、模型、实践和算法交易 - 页 2819

新评论
 
Maxim Dmitrievsky #:
任何聚类或分类器都有一个概率、转换或距离矩阵。即所谓的原始值。还有类/聚类标签。这是比较不同的事物。

是的，但并不完全准确。我更喜欢用这种方式来描述当前状态和预测未来。这些任务本质上是一样的。状态的改变是一种预测，尽管是对当前状态的描述))))。

 
Valeriy Yastremskiy #:

是的，但并不完全准确。我更喜欢用这种方式来描述现状和预测未来。这些任务本质上是一样的。状态的改变是一种预测，尽管是对当前状态的描述))))。

这一点是绝对明确的。只要还有用手指比较欧巴，我就不会再参与对话。而且，对话也不是我开始的。
 
Maxim Dmitrievsky #:
这是明确的。只要有人拿欧巴和手指作比较，我就不再参与对话。况且，对话又不是我发起的。

从本质上讲，未来概率和状态聚类是一样的，有什么区别呢？

 
Valeriy Yastremskiy #:

从本质上讲，未来概率和状态聚类是一样的，两者有什么区别呢？

这很难，不是吗？不含阈值的原始概率与已含阈值的聚类

从他的图片中可以看出，他是在比较离散和连续。他凭空画出了阈值。他还用那顶帽子作为证明。

他为什么不在图上画那条线呢？这是一样的

如果第二种方法的临界值计算正确，那么两种方法的数值是相同的。

 
Maxim Dmitrievsky #:
进展艰难，不是吗？未设阈值的原始概率与已设阈值的集群对比

从他的图片中可以看出，他是在比较离散型和连续型。他凭空画出了阈值。他还用那顶帽子作为证明。

他为什么不在图上画那条线呢？这是一样的

其实是有相似之处的，一条线是图案的平均值，是的，多就是少，如何表征运动呢？ 只能用移动的距离，而距离只能用最小的距离，也就是网格。是的，离散实体比连续实体更复杂，但我们所拥有的就是我们的工作））。

 
Maxim Dmitrievsky #:

我宁可玩玩具，星期六还能干什么呢？

https://www.twitch.tv/gamearbuser

我有个孩子在比赛))))，他兼职做解说员。嗯，现实生活中他也在卡丁车和溜冰鞋上))))))。

 
Valeriy Yastremskiy #:

我有个孩子在比赛))))，兼职做解说员。嗯，在现实生活中他也玩卡丁车，自己也滑冰)))))。

让他介绍自己是如何滑冰的），他稍后会收集捐款。

 
mytarmailS #:

确定日期

前 10 个股票价格信息，如果要创建新功能，则应将其从培训中删除。

最后一行 - 目标

将选择内容分成两半，用于训练和测试


在没有任何调整的情况下，我在 Forrest 上得到了新数据

在使用新功能的 hgbusta 上，我得到了 0.83 的 Akurashi 值。


我想知道是否有可能达到 0.9 Akurasi？

mytarmailS#:
没有人动过它？


我只是为了好玩才做的。）
使用随机森林。


未使用的变量：
X_OI
X_PER
X_TICKER

按照要求，将树龄减半并进行测试。
r1


我将种植的最大树数限制为 500 棵。

种植 500 棵树的跟踪 MSE
t1


500 棵树的测试 MSE
 t2


得出的跟踪（OOB）和测试指标。
在这里，我不知道如何将 随机森林 的精确度 0 ,77 转换为这一指标。
也许您应该从 1减去 MSE ，
1- 0,16 = 0,84
 然后您就可以得到与 XGBoost 一样的精确度了））。

r2


以及对训练有贡献的变量。
r3


这就是我得到的分析 )

 
Roman #:

我只是觉得好玩
)使用随机森林。


未使用的变量：
X_OI
X_PER
X_TICKER

按照要求，跟踪和测试各占一半。

好吧，OHLC 的绝对价格或许也应该扔掉 ) 就像我写的那样 )

Roman#：

托盘上 500 棵树的 MSE

500 棵树的测试 MSE

由此得出的森林（OOB）和测试指标。
在这里，我不知道如何将 精度 为 0 .77 的 随机森林 应用到这一指标中。
可能 MSE 应该减去 1、

你在做回归，你在做分类！你完全弄错了。

 
mytarmailS #:

在我写这篇文章的时候，OHLC 的绝对价格可能也应该被扔掉 )

你在做回归，你应该做分类！你完全弄错了

下面是不使用 OHLC 的分类结果。

准确率为 0.79。
k1

ROC 测试。
k2

混淆矩阵。
k4

影响变量
k3

1...281228132814281528162817281828192820282128222823282428252826...3399
新评论