交易中的机器学习:理论、模型、实践和算法交易 - 页 365 1...358359360361362363364365366367368369370371372...3399 新评论 Maxim Dmitrievsky 2017.05.21 07:35 #3641 elibrarius。我已经做了删除相关输入的工作,只是想知道还能如何改进输入。 所以,我同意你的观点,应该与目标有相关性,这就是为什么我想删除与目标输入不相关的输入,例如,Ккорр<0,5或0,3。这应该会加快学习过程,而不会太影响质量。但有一个假设,我必须删除所有的输入))。在所使用的输入上(从技术指标中随机抽取),到目前为止,我还没有发现与目标有任何关联,学习误差=0.44,即几乎是一枚硬币。那么,余额正在下降。 在任何情况下,都不应该与目标有关联,这甚至是写在哪里?如果你与目标有相关性1,那么你就知道未来,你就不需要神经网络。 Дмитрий 2017.05.21 07:37 #3642 马克西姆-德米特里耶夫斯基。 在任何情况下,都不应该与目标有关联,哪里有写过呢? 这有什么意义呢?如果你与目标的相关性为1,你就知道未来,你就不需要神经网络。 所有的MO都是基于这样一个事实:输入变量必须与输出变量相关。否则,所有MO模型就没有意义。在数据挖掘中,所有变量变量选择模型都实现了输入变量和输出变量的最大相关性机制。正向选择程序。逆向消除程序。阶梯式程序。最佳子集程序。 Maxim Dmitrievsky 2017.05.21 07:43 #3643 迪米特里。 所有的MOE都是基于输入变量必须与输出变量相关的事实。否则,所有MO模型就没有意义。在数据挖掘中,所有的变量选择模型都实现了一种机制,使输入变量和输出变量之间的相关性最大化。正向选择程序。逆向消除程序。阶梯式程序。最佳子集程序。 在输入和输出矢量(曲线)应该相关的意义上,还是相关仅仅意味着输出变量对输入变量的依赖,在一般意义上? Дмитрий 2017.05.21 07:48 #3644 马克西姆-德米特里耶夫斯基。 在输入和输出矢量(曲线)应该相关的意义上,或者相关只是指输出变量对输入变量的依赖,在一般意义上? 依赖性是关联性的一个特例。如果两个变量是相互依存的,那么肯定是有关联的。如果有相关性,那么就不一定有依赖性。目前还没有检测统计模型中依赖性的方法。只有希望一组输入变量和一个输出变量之间确定的相关性是一种关系。因此,变量必须是相关的。 Maxim Dmitrievsky 2017.05.21 07:50 #3645 迪米特里。 依赖性是关联性的一个特例。如果两个变量是相互依存的,那么肯定存在相关关系。如果有相关性,那么就不一定有依赖性。目前还没有检测统计模型中依赖性的方法。只有希望一组输入变量和一个输出变量之间确定的相关性是一种关系。因此,这些变量必须是相关的。 而如果有一个逆反的关系,它就不再是一个依赖关系还是什么?)而国家安全局会被这种方法搞得焦头烂额。哈利路亚......在输入端呈 "之 "字形,在输出端呈 "之 "字形,有偏移......相关性几乎完美,但有什么用?) Дмитрий 2017.05.21 07:52 #3646 马克西姆-德米特里耶夫斯基。 如果是反相关,是不是就不再是相关了?)而NS被这种方法所困扰 无相关是指相关系数为0时。如果传入和传出完全不相关,你怎么能建立一个模型? Maxim Dmitrievsky 2017.05.21 07:57 #3647 迪米特里。 无相关是指相关系数为0时。如果传入和传出完全不相关,你怎么能建立一个模型? 是的,因为当模型在一组预测因素中寻找模式时,输入和输出的相关性根本不重要......。去掉相关的输入,却要寻找相关的输入到输出,这是一个矛盾。))也就是说,至少我们会有一个与输出相关的输入,然后所有其他的输入我们都必须删除,因为它们也与输出相关,因此也与其他输入相关......很酷,对吧? Дмитрий 2017.05.21 08:02 #3648 马克西姆-德米特里耶夫斯基。 这是因为当模型在一组预测因素中寻找模式时,输入和输出的相关性根本不重要......这是一个矛盾--去除相关的输入,但要寻找相关的输入到输出。))也就是说,至少我们会有一个与输出相关的输入,然后所有其他的输入我们都必须删除,因为它们也与输出相关,因此也与其他输入相关......很酷,对吗? 不,不酷。如果你的第一个变量与流出的变量的相关系数为,例如0.7,第二个变量的相关系数为0.65,这并不意味着这两个变量彼此高度相关。现在假设第一个与0.7相关,第二个与-0.69的系数相关。 Maxim Dmitrievsky 2017.05.21 08:04 #3649 Dmitry: 不,这并不酷。如果你的第一个变量与流出的变量的相关系数为,例如0.7,第二个变量的相关系数为0.65,这根本不意味着这两个变量之间高度相关。现在想象一下,第一个的系数为0.7,第二个的系数为-0.69。 如果你也想象一下,相关性以一种非常奇特的方式定义 "相似性"我不会太相信它。我们正在建立一个精确的高科技神经网络,并且在选择预测器 时以相关性为指导? 这有点不对还是什么...但这都是 "在我看来"...) Дмитрий 2017.05.21 08:07 #3650 马克西姆-德米特里耶夫斯基。 如果你也想象一下,相关性以一种非常奇特的方式定义了 "相似性"我不会非常信任它。 然后是第二个选择--把你的一切投入到NS中。但有两个BUT。1.希望不相关的变量不会降低模型的质量(回归有这样的东西)。2、牺牲维度和时间。 1...358359360361362363364365366367368369370371372...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
我已经做了删除相关输入的工作,只是想知道还能如何改进输入。
所以,我同意你的观点,应该与目标有相关性,这就是为什么我想删除与目标输入不相关的输入,例如,Ккорр<0,5或0,3。这应该会加快学习过程,而不会太影响质量。但有一个假设,我必须删除所有的输入))。
在所使用的输入上(从技术指标中随机抽取),到目前为止,我还没有发现与目标有任何关联,学习误差=0.44,即几乎是一枚硬币。那么,余额正在下降。
在任何情况下,都不应该与目标有关联,这甚至是写在哪里?如果你与目标有相关性1,那么你就知道未来,你就不需要神经网络。
在任何情况下,都不应该与目标有关联,哪里有写过呢? 这有什么意义呢?如果你与目标的相关性为1,你就知道未来,你就不需要神经网络。
所有的MO都是基于这样一个事实:输入变量必须与输出变量相关。
否则,所有MO模型就没有意义。
在数据挖掘中,所有变量变量选择模型都实现了输入变量和输出变量的最大相关性机制。
正向选择程序。逆向消除程序。
阶梯式程序。
最佳子集程序。
所有的MOE都是基于输入变量必须与输出变量相关的事实。
否则,所有MO模型就没有意义。
在数据挖掘中,所有的变量选择模型都实现了一种机制,使输入变量和输出变量之间的相关性最大化。
正向选择程序。逆向消除程序。
阶梯式程序。
最佳子集程序。
在输入和输出矢量(曲线)应该相关的意义上,还是相关仅仅意味着输出变量对输入变量的依赖,在一般意义上?
在输入和输出矢量(曲线)应该相关的意义上,或者相关只是指输出变量对输入变量的依赖,在一般意义上?
依赖性是关联性的一个特例。如果两个变量是相互依存的,那么肯定是有关联的。如果有相关性,那么就不一定有依赖性。
目前还没有检测统计模型中依赖性的方法。只有希望一组输入变量和一个输出变量之间确定的相关性是一种关系。
因此,变量必须是相关的。
依赖性是关联性的一个特例。如果两个变量是相互依存的,那么肯定存在相关关系。如果有相关性,那么就不一定有依赖性。
目前还没有检测统计模型中依赖性的方法。只有希望一组输入变量和一个输出变量之间确定的相关性是一种关系。
因此,这些变量必须是相关的。
而如果有一个逆反的关系,它就不再是一个依赖关系还是什么?)而国家安全局会被这种方法搞得焦头烂额。
哈利路亚......在输入端呈 "之 "字形,在输出端呈 "之 "字形,有偏移......相关性几乎完美,但有什么用?)
如果是反相关,是不是就不再是相关了?)而NS被这种方法所困扰
无相关是指相关系数为0时。
如果传入和传出完全不相关,你怎么能建立一个模型?
无相关是指相关系数为0时。
如果传入和传出完全不相关,你怎么能建立一个模型?
是的,因为当模型在一组预测因素中寻找模式时,输入和输出的相关性根本不重要......。去掉相关的输入,却要寻找相关的输入到输出,这是一个矛盾。))也就是说,至少我们会有一个与输出相关的输入,然后所有其他的输入我们都必须删除,因为它们也与输出相关,因此也与其他输入相关......很酷,对吧?
这是因为当模型在一组预测因素中寻找模式时,输入和输出的相关性根本不重要......这是一个矛盾--去除相关的输入,但要寻找相关的输入到输出。))也就是说,至少我们会有一个与输出相关的输入,然后所有其他的输入我们都必须删除,因为它们也与输出相关,因此也与其他输入相关......很酷,对吗?
不,不酷。
如果你的第一个变量与流出的变量的相关系数为,例如0.7,第二个变量的相关系数为0.65,这并不意味着这两个变量彼此高度相关。
现在假设第一个与0.7相关,第二个与-0.69的系数相关。
不,这并不酷。
如果你的第一个变量与流出的变量的相关系数为,例如0.7,第二个变量的相关系数为0.65,这根本不意味着这两个变量之间高度相关。
现在想象一下,第一个的系数为0.7,第二个的系数为-0.69。
如果你也想象一下,相关性以一种非常奇特的方式定义 "相似性"我不会太相信它。
我们正在建立一个精确的高科技神经网络,并且在选择预测器 时以相关性为指导? 这有点不对还是什么...但这都是 "在我看来"...)
如果你也想象一下,相关性以一种非常奇特的方式定义了 "相似性"我不会非常信任它。
然后是第二个选择--把你的一切投入到NS中。但有两个BUT。
1.希望不相关的变量不会降低模型的质量(回归有这样的东西)。
2、牺牲维度和时间。