In our previous note we demonstrated Y-Aware PCA and other y-aware approaches to dimensionality reduction in a predictive modeling context, specifically Principal Components Regression (PCR). For our examples, we selected the appropriate number of principal components by eye. In this note, we will look at ways to select the appropriate number...
你好!
我有两个问题要问你
1）关于前一页中的循环网络，我扔掉了 "rnn "包，它确实有点奇怪，而且构思不周，换成了 "RSNNS"，把网络 "Elman "的数据都扔掉了。我不明白在 "rnn "中，在哪里以及如何设置 "网络在过去记得多远"，在这里，每个变量都被转化为一个带有数字的矩阵，这一点是很明显的。列与网络的内存大小相对应，但我 在"RSNNS " 中没有找到这样的参数，但它不可能不存在，因为循环网络的本质正是在其中。
2）我应该在"Rminer"中寻找什么？如果你指的是像 "arima "这样的东西，那么它将不会起作用。
我曾试图写一个这样的分类器目标来进行几步预测，但我失败了，结果很奇怪，首先质量下降了（这很正常，因为预测不是在第5或第10根蜡烛上），反相关仍然存在，尽管不那么明显，但关键是我没有得到预期的在我看来，指标反转与市场反转是一样的，即我得到的东西质量更差，但我不明白为什么会发生这样的情况。..
日子过得不错。
1.Elman网络和Jordan网络一样，只记得前一步。为了说明前面的许多步骤，你需要将RNNs连锁起来，这就是所谓的LSTM。这篇文章 相当清晰地描述了这种网络。不幸的是，它们是用Python实现的。但这不是一个问题，是吗？Python和R是完美的结合。
2.Rminer 有lforecast 功能--通过迭代使用1-ahead预测作为输入来执行多步预测 。说到多步骤预测，你当然是指回归吗？
祝好运
结论：有必要从每个属性中提取一些有用的东西。 关于如何做到这一点，我有一些想法，但在说之前，我想听听你对这个问题的看法、想法和建议
你只能使用历史数据从一个特征中提取一些东西。当一个新的酒吧进来时，这个标志必须预测一些东西，而要预测，它必须有预测能力。预测能力是一个性状的某种效力，它是当一个性状的某些值预测一个类别，而一个性状的其他值预测另一个类别。我已经举了一个关于这种预测能力的例子。目标。"男性/女性"。特质："服装"。如果这个属性只有两个值：裤子/裙子，那么在穆斯林社会中，这样的属性有这些值就可以毫不含糊地预测出阶级。但在非穆斯林社会，除了大量的其他教派外，还有中性服装。
因此，确定服装属性对有男/女两类值的目标变量的预测能力的问题被表述为：服装属性的值有多大比例能唯一地预测男性，有多大比例能预测女性？如果是西方社会，所有的衣服都是中性的，那么 "衣服 "这一属性就没有预测能力。在穆斯林社会中，服饰特征会有非常好的预测能力。如果我们通过引入age....，使我们的例子更加真实，我们将得到更真实的预测能力。它将是具体的，这种预测能力将决定预测误差。
也就是说，从预测者的预测能力中产生了预测误差，如果所选择的模型与手头的问题相匹配，那么这个误差对模型的选择就没有什么影响。
从想法和建议。
我已经在这个主题和这个论坛上多次表达了它们。主要的困难是，我关于 "预测能力 "的观点还没有被理解。
在这些工具中，我给了一个文章 的链接，Dr.Trader 试图应用，但没有成功。我将其结果的消极性归因于其特征集的特殊性：大量的特征没有什么价值。这是一套非常具体的外汇功能。在外汇中，任何属性都可能有成千上万的值，而他的属性可能有几十个。
我已经在这个主题和这个论坛上多次表达了它们。主要的困难是，我关于 "预测能力 "的观点还没有被理解。
也许是因为这个观点没有得到你方面的测试或测试结果 的支持？:)
总的来说，为什么要进行这些一公里长的启蒙教育，问题是如何从属性中获得有用的东西，而不是如何选择性状，这些都是不同的东西，在这里你提到的一篇文章一般要放在...
也许是因为这个观点没有得到你方面的测试或测试结果 的支持？:)
总的来说，为什么要进行这些千米长的启蒙教育，问题是如何从中获得有用的性状，而不是如何选择性状，这些都是不同的事情，在这里你提到的一篇文章一般都不适合 ...
你必须写一本一公里长的百科全书。简而言之：一个特质是一个整体，没有任何东西可以从它里面取出来。你可以确定整个特质是否符合。
PS。
我对具有预测能力的性状进行了自定义选择。当使用用我的算法选择的性状时，我获得的模型无需重新训练。
你必须写出一公里长的歌词。一言以蔽之：特质是一个整体，没有什么可以被抽离出来。你可以确定整个特质是否适合。
PS。
我自定义选择具有预测能力的功能。使用用我的算法选择的特征，我得到的模型不需要重新训练。
哇，太酷了.........你想告诉我你的未经训练的模型的具体结果？或者这个话题也会被 "跳过"，就像你的机器人"似乎在工作 " 和"似乎在挣钱"？
还有，桑尼茨，你能不能别这样了？
我早就明白了一切......。
这对于其他阅读你的参与者来说并不是好事，然后把时间花在了无用的路上
哇，太酷了...也许你会告诉我们一些你的未经训练的模型的具体结果？还是像你对你的机器人那样继续谈论它？
还有，桑尼茨，你能不能别这样了？
我早就明白了一切......。
这对于其他玩家来说并不是好事，因为他们读懂了你，然后把时间花在了不归路上，说得不好听一点。
让我们想想一个专业的交易员是如何工作的（记住，我还是很夸张的：），他只有两个标志--水平和 "RSI "指标。而有一个交易系统，卖出交易听起来是这样的--如果水平向上突破，RSI大于0.9，那么卖出...
什么是交易系统？ 在这种情况下，交易系统就像一个数据过滤器，一个不让交易者进入噪音的过滤器，在这个例子中，用RSI的噪音比例不是开玩笑的95%，因为RSI范围从-1到1，而交易者只需要那>0.9的那些5%...
如果我们拿一打指标，有一打不同的滞后期，它就能发挥作用。但是，应该确定使用哪些指标以及有哪些滞后期。首先，取一大组，通过一些规则选择其中一些，这一百个最终预测者的总和将给你一个真正的机会来预测未来。采取随机森林模型，给它提供数据并建立一个决策树。例如，如果rsi[20]>0.4，ma(16)[20]>1.2，等等--那么它就是一个买点。而如果rsi<0.1，那么就是卖出。你可以在这里看到一个森林的例子，http://www.intuit.ru/studies/courses/6/6/lecture/174 。 一般来说，森林会给你几十个指标的有用值和阈值的属性。
有一种微妙的东西，森林往往会过度学习。如果你在提供有用的预测指标的同时，还向森林提供垃圾，那么森林就会把它加入到它的逻辑中。而根据 "垃圾进入导致垃圾退出 "的规则，任何基于前测数据中的垃圾的模型预测都是随机的和无用的。在选择预测因子时，你应该始终考虑这一点，并做交叉验证来测试模型。
至少可以说，这对那些读了你的文章，然后把时间浪费在走不出去的路上的其他成员来说是不好的。
我完全同意桑桑尼茨在这里写的东西，我建议你听听。我从他那里学到了很多东西，查看了一下，并做了记录。