Random forests or random decision forests[1][2] are an ensemble learning method for classification, regression and other tasks, that operate by constructing a multitude of decision trees at training time and outputting the class that is the mode of the classes (classification) or mean prediction (regression) of the individual trees. Random...
有2种类型可供选择 -
1=准确性的平均下降(这可能是mda的意思,与第一个字母相匹配)。
2=节点杂质的平均减少量
还有一些特殊的软件包VSURF, VarSelRF, Boruta.
而且还有VSURF、VarSelRF、Boruta等特殊软件包。
哪一个更好?)
哪一个更好?)
所以这只是R语言中从事随机森林 工作的一小部分,Boruta似乎也是针对Python的。
IMHO,最好的是那些有更多的变化,但对用户来说更少的麻烦。 最好的是在全自动的情况下,分析模型,并通过所有合适的模型来查看。)
所以这只是R的一小部分工作在随机支架上,Boruta似乎也可以用于Python。
我认为有更多的变化,但对用户来说更少的麻烦,最好的事情是分析模型,并通过所有合适的方式查看)。
我正在考虑为MT5改写一些脚手架ficaimortans的内容,以备不时之需。
我仍然没有去做这件事。
我不在乎那些P的东西,你一辈子也学不会......:) 而且你不可能全部使用它们我正在考虑为MT5改写一些脚手架上的东西,以便随时可以使用。
我还是不能去找它。
不要在乎P的这些东西,你一辈子也学不会......此外,你不可能全部使用它们。如果你想自己做,你应该从经典的Breyman's fishimportance开始--在训练集中一个一个地重新排列期货,并通过OOB中MSE的变化或树状分裂中的Gini指数计算它们的相关性。
它应该适用于时间序列,所以你可以删除必要数量的不太重要的元素,并将长度不同的模式减少到相同的维度。如果你想自己写,你 肯定应该从经典的Breymann ficcimportance 开始--你把训练集中的期货一个个重新排列,通过改变OOB中的MSE或树状分裂中的Gini指数来计算它们的重要性。
在想法中,它应该适用于时间序列,所以你可以删除必要数量的不太重要的元素,并减少到相同维度的不同程度模式。是的,我想让吉尼成为首发球员。
而且一般来说,脚手架更容易使用,同样的优化。
我认为价格上升的速度比下降的速度慢。也就是说,会有不同的图像需要记忆。但可能不会花很长时间去尝试和比较。
这在外汇中是一样的:)有两种货币
我想知道是否有一些相互排斥的例子......事实上,不应该有很多例子
这在外汇中是一样的:)有两种货币
我想知道是否有任何相互排斥的例子......事实上,不应该有很多
所以这很好。让N是第1类,M是第2类,让这两类重叠,我认为应该是这样的。
那么概率为Pn=n/N,Pm=m/M。如果概率>0.5,那么DM可以自己处理。根据我们的经验,重叠率在20-40%之间,也就是说,20-40%的交易是不正确的。
所以这很好。让N是第1类,M是第2类,让这两类重叠,我认为应该是这样的。
那么概率为Pn=n/N,Pm=m/M。如果概率>0.5,那么DM可以自己处理。经验的重合度大约是20-40%,也就是说,20-40%的交易会是错误的。
嗯,本质上是的,你不能糟蹋黄油,而且过度训练也少。而在这种看似微小的事情上,可能是效率的关键。
除了我没有课,我有退步。
也可以对初始数列进行转换(例如,仿生),并增加其增量(我知道,这就是蒙特卡罗的作用,对吗?)
无论如何,我已经喜欢我正在做的事情,离我与NS的终点线还剩3周时间:))要么是圣杯,要么是见鬼去吧。下注吧:))