交易中的机器学习:理论、模型、实践和算法交易 - 页 3107 1...310031013102310331043105310631073108310931103111311231133114...3399 新评论 Aleksey Vyazmikin 2023.06.14 15:27 #31061 对这些对象进行分组的最佳聚类方法是什么? 基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,我认为 K-means 会把所有东西都平均化很多。 mytarmailS 2023.06.14 16:24 #31062 有趣的阅读 https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi 是的,总的来说,整个[量子交易策略] 标签的阅读非常 有趣 СанСаныч Фоменко 2023.06.14 19:19 #31063 Maxim Dmitrievsky #: 希望得到评论的礼物 附加的文件: molak_a_causal_inference_and_discovery_in_python_unlock_the.zip 10448 kb Aleksey Vyazmikin 2023.06.14 20:01 #31064 Aleksey Vyazmikin #:哪种聚类方法最适合对这些对象进行分组?基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,我认为 K-means 会把所有东西都平均化很多。 Chat-GPT: " 如果矩阵是对三维物体的描述,那么考虑到三维数据结构的聚类方法就可以用来对它们进行分组。以下是几种可能有用的方法: 基于密度的聚类方法:DBSCAN(基于密度的带噪声空间聚类应用)是一个不错的选择,因为它考虑到了数据的密度。您可以利用三维空间中点与点之间的接近度或距离,将 DBSCAN 应用于三维矩阵。这种方法可以帮助你识别在三维空间中形成紧凑密集区域的聚类。 光谱聚类:光谱聚类方法可用于对三维矩阵进行聚类。您可以对三维数据进行频谱变换,然后使用聚类方法(如 k-means)进行聚类。这种方法可以考虑到数据的结构,并识别出在三维空间中相似的组。 分层聚类:分层聚类可应用于三维矩阵,以建立聚类的分层结构。您可以使用矩阵之间的相似度或距离度量,并根据这些度量合并或分离聚类。这种方法有助于探索三维矩阵组之间的层次关系。 同样重要的是,要考虑特定数据集的特点,并选择最适合您的目标和要求的聚类方法。尝试使用不同的方法和参数,找到最适合您任务的方法。 " Aleksey Vyazmikin 2023.06.14 20:07 #31065 Aleksey Vyazmikin #:Chat-GPT: 我曾想过在 5 个点上对矩阵进行卷积,通过对相邻点进行平均,然后用某种方法对它们进行相似性搜索。 mytarmailS 2023.06.14 20:14 #31066 Aleksey Vyazmikin #:出于某种原因,K-means 会把很多东西平均化。 Aleksey Vyazmikin#: 我在考虑用 5 个点对矩阵进行卷积,通过对相邻点进行平均,然后用某种方法来搜索相似性。 ... 烧瓶吹口哨 )) Aleksey Vyazmikin 2023.06.14 21:44 #31067 mytarmailS #:...酒壶发出呜呜声)。 强--一个中心点。我想的实际上是几个固定坐标.....。然而,我在跟谁说话呢--一个现成解决方案的爱好者..... [删除] 2023.06.15 05:43 #31068 СанСаныч Фоменко #:希望得到评论的礼物 非常好,谢谢。内容与其他书籍大致相同。看看第 9-10 节,再看看第一篇关于交叉健身的文章--论文,你就会明白教交叉健身的内容和原因。 稍后将全文阅读。 [删除] 2023.06.15 06:36 #31069 Aleksey Vyazmikin #:哪种聚类方法最适合对这些对象进行分组?基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,K-means 看起来会把事情平均化很多。https://habr.com/ru/companies/jetinfosystems/articles/467745/ Aleksey Vyazmikin 2023.06.15 12:22 #31070 Maxim Dmitrievsky #: https:// habr.com/ru/companies/jetinfosystems/articles/467745/ 链接中没有问题的答案。 1...310031013102310331043105310631073108310931103111311231133114...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
对这些对象进行分组的最佳聚类方法是什么?
基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,我认为 K-means 会把所有东西都平均化很多。
有趣的阅读
https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi
是的,总的来说,整个[量子交易策略] 标签的阅读非常 有趣
希望得到评论的礼物
哪种聚类方法最适合对这些对象进行分组?
基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,我认为 K-means 会把所有东西都平均化很多。
Chat-GPT:
"
如果矩阵是对三维物体的描述,那么考虑到三维数据结构的聚类方法就可以用来对它们进行分组。以下是几种可能有用的方法:
基于密度的聚类方法:DBSCAN(基于密度的带噪声空间聚类应用)是一个不错的选择,因为它考虑到了数据的密度。您可以利用三维空间中点与点之间的接近度或距离,将 DBSCAN 应用于三维矩阵。这种方法可以帮助你识别在三维空间中形成紧凑密集区域的聚类。
光谱聚类:光谱聚类方法可用于对三维矩阵进行聚类。您可以对三维数据进行频谱变换,然后使用聚类方法(如 k-means)进行聚类。这种方法可以考虑到数据的结构,并识别出在三维空间中相似的组。
分层聚类:分层聚类可应用于三维矩阵,以建立聚类的分层结构。您可以使用矩阵之间的相似度或距离度量,并根据这些度量合并或分离聚类。这种方法有助于探索三维矩阵组之间的层次关系。
同样重要的是,要考虑特定数据集的特点,并选择最适合您的目标和要求的聚类方法。尝试使用不同的方法和参数,找到最适合您任务的方法。
"
Chat-GPT:
我曾想过在 5 个点上对矩阵进行卷积,通过对相邻点进行平均,然后用某种方法对它们进行相似性搜索。
出于某种原因,K-means 会把很多东西平均化。
我在考虑用 5 个点对矩阵进行卷积,通过对相邻点进行平均,然后用某种方法来搜索相似性。
...
烧瓶吹口哨 ))
...
酒壶发出呜呜声)。
强--一个中心点。我想的实际上是几个固定坐标.....。然而,我在跟谁说话呢--一个现成解决方案的爱好者.....
希望得到评论的礼物
哪种聚类方法最适合对这些对象进行分组?
基本上有一个矩阵,重要的是整体评估其相似性。出于某种原因,K-means 看起来会把事情平均化很多。
https:// habr.com/ru/companies/jetinfosystems/articles/467745/
链接中没有问题的答案。