交易中的机器学习：理论、模型、实践和算法交易 - 页 2875 1...286828692870287128722873287428752876287728782879288028812882...3399 新评论 Maxim Dmitrievsky 2022.12.30 17:26 #28741 Aleksey Nikolayev #:我对具有任意数量特征的算法这一主题很感兴趣。我了解递归网络--我也想了解，但 不需要 网格。 - 我对具有任意数量特征的算法这一主题很感兴趣。我了解递归网络--我想了解同样的内容，但不需要网格。 *你可以使用线性回归、逻辑回归或决策树等机器学习算法，它们可以处理任意数量的特征。与递归网络相比，它们所需的计算量更少，速度通常也更快。 不过，当你需要处理文本、语音信息或运动数据等数据序列时，递归网络也能发挥有效作用。递归网络可以记住前一步的上下文，并利用它来预测下一步。例如，在分析文本时，单词根据上下文可能具有不同的含义，这就非常有用。 - 所谓递归函数，是指可以根据任意数量的参数构建递归函数，但由来自固定数量参数的普通函数定义。最简单的例子就是指数平均数。 *你正确地描述了通过自身定义的递归函数。它们可以取决于任意数量的参数，但通常是固定数量的参数。 您举了一个指数平均数的例子，它是一个递归函数，定义如下： EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n 其中，EMAvolume(t) 是第 t 步交易量的指数平均值，volume(t) 是第 t 步的交易量，n 是考虑到前几步权重的常数。 递推函数可用于数据序列建模，在金融、生物和计算机科学等多个领域都有应用。 - 递归网络可以是这样的，但我想要一个没有网格的网络。 *如果你想在不使用递归网络的情况下使用递归函数，可以使用线性回归、逻辑回归或决策树等机器学习算法，这些算法可以处理数据序列。它们可以使用递归函数作为特征，并根据一组特征预测结果。 不过，当需要处理大量数据序列时，这些算法的效率可能不如递归网络，因为递归网络具有其他算法所缺乏的高效处理序列的能力。 继续 在某些情况下，递归网络可能难以训练，而且计算复杂度较高，因为它们需要进行大量计算才能处理序列。在这种情况下，使用线性回归、逻辑回归或决策树等机器学习算法可能比较合适，因为这些算法所需的计算量较少，运行速度也较快。 但是，如果您要处理的数据序列需要之前步骤的上下文，那么递归网络可能是比其他机器学习算法更好的解决方案。在这种情况下，你应该考虑所有可用选项，然后选择 n - 理想情况下，算法应将所有可用的历史数据作为输入，而历史数据显然会随着时间的推移而增加。算法应决定将其分割成哪些片段，以及如何处理这些片段。 *是的，理想情况下，算法应该能够处理任意数量的特征，并自行决定哪些特征对预测最重要。不过，这对于一些需要手动划分特征或固定特征数量的机器学习算法来说可能比较困难。梯度剔除算法（gradient bousting）就是一种可以处理任意数量特征的算法。这种算法使用小型决策树的组合，每个决策树只考虑少量特征，然后将它们累加为一个总和，产生最终算法。这种算法可以独立确定哪些特征对预测最重要。 也可以使用具有全连接层的神经网络，它也可以处理任意数量的特征。不过，这些网络在处理数据序列时可能不太有效，因为它们没有考虑到步骤之间的依赖关系。 Maxim Dmitrievsky 2022.12.30 17:30 #28742 如果自然界中存在这样的答案，也许需要更多的细节才能得到具体的答案 ) mytarmailS 2022.12.30 17:30 #28743 这太疯狂了，教一个傻瓜祈祷，他会敲碎自己的额头...给马克西姆一个 gpt3 he.... Maxim Dmitrievsky 2022.12.30 17:31 #28744 mytarmailS #: 这太疯狂了，教一个傻瓜祈祷，他会打破自己的额头。给马克西姆一个 gpt3 he.... 我建议你把遮阳板放低一点。 我们正在探索算法的可能性。 Evgeni Gavrilovi 2022.12.30 17:33 #28745 mytarmailS #:我可以自己进行简单的解析，问题是你是否可以通过查询，重新输入配置文件并获得一个新的令牌，你知道怎么做吗？ 唉，没有授权。 Maxim Dmitrievsky 2022.12.30 17:35 #28746 Alexander Ivanov #: 够了 此外，它们的效果大致相同，但 Bousting 更快、更灵活。 已经说过 100 遍了 Aleksey Nikolayev 2022.12.30 17:55 #28747 Maxim Dmitrievsky #: *您可以 您必须等待 GPT4 出现，才能从这段文字中提取意义。我失败了） 我不明白逻辑回归如何在不同特征数量的情况下工作。 Maxim Dmitrievsky 2022.12.30 17:58 #28748 Aleksey Nikolayev #:你必须等到 GPT4 出现，才能从这段文字中提取意义。我不明白）我不明白逻辑回归如何能在不同特征数量的情况下工作。 说具体点，我会问的显然没有这样的算法，它也想不出别的办法。 Aleksey Nikolayev 2022.12.30 18:07 #28749 Maxim Dmitrievsky #: 尽量具体，我会问的 也许可以问一个简单的例子，说明如何在分类任务中使用逻辑回归，并使用数量可变的特征？ Maxim Dmitrievsky 2022.12.30 18:08 #28750 Aleksey Nikolayev #:也许你可以问我一个简单的例子，说明如何在特征数量可变的分类任务中使用逻辑回归？ 我稍后再试。如果您还有其他问题，请提出来：) 1...286828692870287128722873287428752876287728782879288028812882...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
我对具有任意数量特征的算法这一主题很感兴趣。我了解递归网络--我也想了解，但 不需要 网格。
- 我对具有任意数量特征的算法这一主题很感兴趣。我了解递归网络--我想了解同样的内容，但不需要网格。
*你可以使用线性回归、逻辑回归或决策树等机器学习算法，它们可以处理任意数量的特征。与递归网络相比，它们所需的计算量更少，速度通常也更快。
不过，当你需要处理文本、语音信息或运动数据等数据序列时，递归网络也能发挥有效作用。递归网络可以记住前一步的上下文，并利用它来预测下一步。例如，在分析文本时，单词根据上下文可能具有不同的含义，这就非常有用。
- 所谓递归函数，是指可以根据任意数量的参数构建递归函数，但由来自固定数量参数的普通函数定义。最简单的例子就是指数平均数。
*你正确地描述了通过自身定义的递归函数。它们可以取决于任意数量的参数，但通常是固定数量的参数。
您举了一个指数平均数的例子，它是一个递归函数，定义如下：
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
其中，EMAvolume(t) 是第 t 步交易量的指数平均值，volume(t) 是第 t 步的交易量，n 是考虑到前几步权重的常数。
递推函数可用于数据序列建模，在金融、生物和计算机科学等多个领域都有应用。
- 递归网络可以是这样的，但我想要一个没有网格的网络。
*如果你想在不使用递归网络的情况下使用递归函数，可以使用线性回归、逻辑回归或决策树等机器学习算法，这些算法可以处理数据序列。它们可以使用递归函数作为特征，并根据一组特征预测结果。
不过，当需要处理大量数据序列时，这些算法的效率可能不如递归网络，因为递归网络具有其他算法所缺乏的高效处理序列的能力。
继续
在某些情况下，递归网络可能难以训练，而且计算复杂度较高，因为它们需要进行大量计算才能处理序列。在这种情况下，使用线性回归、逻辑回归或决策树等机器学习算法可能比较合适，因为这些算法所需的计算量较少，运行速度也较快。
但是，如果您要处理的数据序列需要之前步骤的上下文，那么递归网络可能是比其他机器学习算法更好的解决方案。在这种情况下，你应该考虑所有可用选项，然后选择 n
- 理想情况下，算法应将所有可用的历史数据作为输入，而历史数据显然会随着时间的推移而增加。算法应决定将其分割成哪些片段，以及如何处理这些片段。
*是的，理想情况下，算法应该能够处理任意数量的特征，并自行决定哪些特征对预测最重要。不过，这对于一些需要手动划分特征或固定特征数量的机器学习算法来说可能比较困难。梯度剔除算法（gradient bousting）就是一种可以处理任意数量特征的算法。这种算法使用小型决策树的组合，每个决策树只考虑少量特征，然后将它们累加为一个总和，产生最终算法。这种算法可以独立确定哪些特征对预测最重要。
也可以使用具有全连接层的神经网络，它也可以处理任意数量的特征。不过，这些网络在处理数据序列时可能不太有效，因为它们没有考虑到步骤之间的依赖关系。
这太疯狂了，教一个傻瓜祈祷，他会打破自己的额头。给马克西姆一个 gpt3 he....
我建议你把遮阳板放低一点。
我们正在探索算法的可能性。我可以自己进行简单的解析，问题是你是否可以通过查询，重新输入配置文件并获得一个新的令牌，你知道怎么做吗？
唉，没有授权。
够了
此外，它们的效果大致相同，但 Bousting 更快、更灵活。
已经说过 100 遍了*您可以
您必须等待 GPT4 出现，才能从这段文字中提取意义。我失败了）
我不明白逻辑回归如何在不同特征数量的情况下工作。
你必须等到 GPT4 出现，才能从这段文字中提取意义。我不明白）
我不明白逻辑回归如何能在不同特征数量的情况下工作。
尽量具体，我会问的
也许可以问一个简单的例子，说明如何在分类任务中使用逻辑回归，并使用数量可变的特征？
也许你可以问我一个简单的例子，说明如何在特征数量可变的分类任务中使用逻辑回归？