交易中的机器学习：理论、模型、实践和算法交易 - 页 519

新评论
 

那么，怎么了？任何帮助?????

 
Mihail Marchukajtes:

什么话题????巴迪...你是谁？

因为也许你是新来的，不认识我。我也算是一个人工智能的人，.....你是什么...你是这附近的人。:-)

虽然我在原则上是善良的，你在这里所做的一切，只有在数据是价格的原因时才会起作用。那么任何TS都可以正常工作，即使是预测前的1条或15条（当然，15条比1条差，但不是重点）。不是问题的关键...关键是...有OI的RTS指数。由于volume.... 的含义问题也就解决了。任何事情，无论是预测还是分类。

而你的这句话想说什么，亲爱的.....。

现在我想说--去你的。你是一个善良的人。谢谢你。
 

:D

 
你们是火力全开！））））。
 
尤里-阿索连科。
现在我想告诉你，去死吧。我亲爱的伙伴。谢谢你。

确切地说，你上次和这次都没有说什么，就像你对着虚空放屁一样......。我们不需要你这样的人跟我们说话。对不起....

 
弗拉基米尔-佩雷文科。

矛盾的是，分类与回归是一样的。

只有回归的输出是一个实数，而分类的输出是一个概率。

回归目标是连续曲线，而分类目标是（0，1）或（-1，+1）脉冲。

然后这个输出被翻译成相应的类（ifelse(y > 0.5, 1, 0）。

1）向一个班级的转换是否总是通过中间的范围进行？
2) 如果我有3个类-1,0,1（买入，卖出，等待），怎么办？是通过0.5（k=0;if(y<-0.5)k=-1;if(y>0.5)k=1;类之间的中间点，但0类的概率将是1或-1的两倍）还是通过0.33（k=0;if(y<-0.33)k=-1;if(y>0.33)k=1；所以所有类的概率相同）？
 

一个好的分类是这样做的。每个班级都有一个单独的产出。使用了交叉熵学习损失函数。在培训期间，只能为一个班级分配一个名额。有必要规定无信号的等级。例如，买入，卖出，什么都不做。这些是单独的班级。将所有的值输入一个输出是低效的，因为一个神经元可能无法学会如何划分，例如，10个类。

 
尤里-阿索连科。

导数显示了趋势的方向。2个MA的导数和它们之间的差异 完全描述了系统的状态。 你自己问了这个问题）。

然而，这取决于你自己的口味）。

2个泥浆的导数和它们的差值只取决于4条，它们不能以任何方式很好地描述系统的状态。

 
elibrarius。
1）转班是否总是通过中间的范围进行？
2）而如果3类-1,0,1（卖出，等待，买入）。通过0.5转移（k=0;如果(y<-0.5)k=-1;如果(y>0.5)k=1;类之间的中间，但0类的概率将是1或-1的两倍）或通过0.33（k=0;如果(y<-0.33)k=-1;如果(y>0.33)k=1;所以所有类有同等概率）。

在R中，通常有可能出现分类结果的变化。

  • 类值
  • 类别概率

你设置 "班级概率 "模式，并独立计算班级，例如一半或30/70。 或者你可以这样做：小于30%的一个班级和大于70%的另一个班级，他们之间的差距为NA。

 
elibrarius。
1）转班是否总是通过中间的范围进行？
2）而如果3类-1,0,1（卖出，等待，买入）。通过0.5转移（k=0;if(y<-0.5)k=-1;if(y>0.5)k=1;类之间的中间，但0类的概率将是1或-1的两倍）或通过0.33（k=0;if(y<-0.33)k=-1;if(y>0.33)k=1;所以所有类有同等概率）？

谈到两个班级。连续的分类器输出可以用一个阈值转化为类标签。

有两种结果是可能的。

  • 一个阈值，所有的例子都被分类（硬分类器）。
  • 两个或更多的阈值，一些样本不被分类（软分类器）。

通常情况下，分类器有一个连续的数字变量（支持度）作为输出。对一个给定的输入X的支持度可以用不同的方式来解释，最常见的两种方式是建议的标签的有效性和对类的可能概率的估计。类概率由模型输出的效果很差，所以通常需要对其进行校准。参见calibrate::CORElearn。经过softmax激活函数的输出最接近于类的概率。

祝好运

1...512513514515516517518519520521522523524525526...3399
新评论