交易中的机器学习：理论、模型、实践和算法交易 - 页 371 1...364365366367368369370371372373374375376377378...3399 新评论 Maxim Dmitrievsky 2017.05.22 05:47 #3701 迪米特里。 我还是不明白--反相关还是无相关？或者你认为如果两个随机数列的相关系数为-1，那么它们就 "没有相关性"？Yoeklmn..... 啊......。我马上就明白了））嗯，是的......。 Dr. Trader 2017.05.22 11:19 #3702 Dmitry: 1.没有人在分析相关关系--这是关于预测者的选择。2.你在三页前重复了我的观点--"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"。3.交叉熵就像关联性一样，不会对功能依赖的存在给出答案1）首先你自己广播相关，然后你删除帖子，然后你不记得你在几页前写了什么。 迪米特里。 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。2）不，我说即使在没有关联的情况下也可能存在依赖性。3）交叉熵。你可以一次性估计一大组与目标有关的预测因素。当每个预测器都不能预测，但它们的某个组合却能预测。不幸的是，这对外汇来说并不正确，但一般来说，通过交叉熵来选择预测者 比通过相关性来选择预测者 对机器学习要好得多。 Дмитрий 2017.05.22 12:38 #3703 交易员博士。2）不，我说即使在没有关联的地方也可能有关联。 没有关联的地方就不可能有依赖性。相关性可以是线性的，也可以是非线性的，但如果有依赖性，就会有相关性。在没有关联的地方也会有关联--一种虚假的关联。我没有删除这个主题中的任何一个帖子。 [删除] 2017.05.22 13:04 #3704 我不能（我不知道为什么）下载这本书来给予证明。谁有机会，就在这里下载并张贴一张示例图片，以停止闲聊的争吵。Bendat J., Pearsol A.应用随机数据分析。译自英文：World, 1989.在。126例子 5.4.不相关的因果随机变量。.ǞǞǞ这个例子很能说明问题。 Mihail Marchukajtes 2017.05.22 13:13 #3705 变量的相关性并不意味着可以进行预测。这对组合可以是相关的。也就是说，它们是相关的，但你不能通过另一个预测一个，因为它们同时在变化，当然也不能提前。这是如果我们谈论相关的!!!! Алёша 2017.05.22 13:14 #3706 迪米特里。 两个同样相关的预测因子--我们根据较低的相关度扔掉什么？哪一个的关联性更小？德米特里，我很抱歉，但我怀疑你要么是想嘲弄我，要么是在胡闹，要么就是很愚蠢，恕我直言......从一个微不足道的例子中，你难道看不出来，两个属性都与目标相关为零，BUT都是显著的，都不能放弃，线性相关为零，不是线性100%，就是相关可以为零，数据集是完全可以预测的，你的说法是什么。迪米特里。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。完全反驳了它。 Алёша 2017.05.22 13:18 #3707 迪米特里。 没有关联的地方就不可能有依赖性。相关性可以是线性的，也可以是非线性的，但如果有依赖性，就会有相关性。 又是假的，没有 非线性相关关系，相关关系是一个严格定义的数学结构，就像加法或余弦一样，在胡说八道之前至少要研究一下维基百科。 Maxim Dmitrievsky 2017.05.22 13:46 #3708 Oleg avtomat:我不能（我不知道为什么）下载这本书来给予证明。谁有机会，就在这里下载并张贴一张示例图片，以停止闲聊的争吵。Bendat J., Pearsol A.应用随机数据分析。译自英文：World, 1989.在。126例子 5.4.不相关的因果随机变量。.ǞǞǞ这个例子很能说明问题。 http://sci.alnam.ru/book_dsp.php只不过第126页上没有图片 СанСаныч Фоменко 2017.05.22 13:47 #3709 为什么你们都对相关关系如此痴迷？在机器学习中，有一个变量的 "重要性-重要性"的概念，这与相关性完全没有关系。这种计算方法通常内置于机器学习算法本身。例如，在一个随机森林中。从整个预测器子集中，也许是几百个，选择几块，用内部算法看这些预测器的值是否能预测类的特定值。它们要么被接受，要么被丢弃。最后，他们查看树的所有节点，看看树的每个节点中使用了多少次预测器--这就证明了预测器的重要性。我一直试图把团队聚集在一起，讨论这个领域的现有发展，这比相关的练习更有参考价值。 Maxim Dmitrievsky 2017.05.22 13:55 #3710 桑桑尼茨-弗门科。为什么你们都对相关关系如此痴迷？在机器学习中，有一个变量的 "重要性-重要性 "的概念，这与相关性完全没有关系。这种计算方法通常内置于机器学习算法本身。例如，在一个随机森林中。从整个预测器子集中，也许是几百个，选择几块，用内部算法看这些预测器的值是否能预测类的特定值。它们要么被接受，要么被丢弃。最后，他们查看树的所有节点，看看树的每个节点中使用了多少次预测器--这就证明了预测器的重要性。我试图让团队讨论这个领域已经存在的发展，这比相关的练习更有参考价值。 顺便说一下，Alglieb也有一个黑暗森林......你可以不离开MT5就使用它。 1...364365366367368369370371372373374375376377378...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
我还是不明白--反相关还是无相关？
或者你认为如果两个随机数列的相关系数为-1，那么它们就 "没有相关性"？
Yoeklmn.....
啊......。我马上就明白了））嗯，是的......。
1.没有人在分析相关关系--这是关于预测者的选择。
2.你在三页前重复了我的观点--"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"。
3.交叉熵就像关联性一样，不会对功能依赖的存在给出答案
1）首先你自己广播相关，然后你删除帖子，然后你不记得你在几页前写了什么。
迪米特里。
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。
2）不，我说即使在没有关联的情况下也可能存在依赖性。
3）交叉熵。你可以一次性估计一大组与目标有关的预测因素。当每个预测器都不能预测，但它们的某个组合却能预测。不幸的是，这对外汇来说并不正确，但一般来说，通过交叉熵来选择预测者 比通过相关性来选择预测者 对机器学习要好得多。
2）不，我说即使在没有关联的地方也可能有关联。
没有关联的地方就不可能有依赖性。相关性可以是线性的，也可以是非线性的，但如果有依赖性，就会有相关性。
在没有关联的地方也会有关联--一种虚假的关联。
我没有删除这个主题中的任何一个帖子。
我不能（我不知道为什么）下载这本书来给予证明。
谁有机会，就在这里下载并张贴一张示例图片，以停止闲聊的争吵。
Bendat J., Pearsol A.
应用随机数据分析。译自英文：World, 1989.
在。126
例子 5.4.不相关的因果随机变量。
.
ǞǞǞ
这个例子很能说明问题。
两个同样相关的预测因子--我们根据较低的相关度扔掉什么？哪一个的关联性更小？
德米特里，我很抱歉，但我怀疑你要么是想嘲弄我，要么是在胡闹，要么就是很愚蠢，恕我直言......从一个微不足道的例子中，你难道看不出来，两个属性都与目标相关为零，BUT都是显著的，都不能放弃，线性相关为零，不是线性100%，就是相关可以为零，数据集是完全可以预测的，你的说法是什么。
迪米特里。
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。
完全反驳了它。
没有关联的地方就不可能有依赖性。相关性可以是线性的，也可以是非线性的，但如果有依赖性，就会有相关性。
我不能（我不知道为什么）下载这本书来给予证明。
谁有机会，就在这里下载并张贴一张示例图片，以停止闲聊的争吵。
Bendat J., Pearsol A.
应用随机数据分析。译自英文：World, 1989.
在。126
例子 5.4.不相关的因果随机变量。
.
ǞǞǞ
这个例子很能说明问题。
http://sci.alnam.ru/book_dsp.php
只不过第126页上没有图片
为什么你们都对相关关系如此痴迷？
在机器学习中，有一个变量的 "重要性-重要性"的概念，这与相关性完全没有关系。这种计算方法通常内置于机器学习算法本身。
例如，在一个随机森林中。
从整个预测器子集中，也许是几百个，选择几块，用内部算法看这些预测器的值是否能预测类的特定值。它们要么被接受，要么被丢弃。
最后，他们查看树的所有节点，看看树的每个节点中使用了多少次预测器--这就证明了预测器的重要性。
我一直试图把团队聚集在一起，讨论这个领域的现有发展，这比相关的练习更有参考价值。
为什么你们都对相关关系如此痴迷？
在机器学习中，有一个变量的 "重要性-重要性 "的概念，这与相关性完全没有关系。这种计算方法通常内置于机器学习算法本身。
例如，在一个随机森林中。
从整个预测器子集中，也许是几百个，选择几块，用内部算法看这些预测器的值是否能预测类的特定值。它们要么被接受，要么被丢弃。
最后，他们查看树的所有节点，看看树的每个节点中使用了多少次预测器--这就证明了预测器的重要性。
我试图让团队讨论这个领域已经存在的发展，这比相关的练习更有参考价值。
顺便说一下，Alglieb也有一个黑暗森林......你可以不离开MT5就使用它。