交易中的机器学习：理论、模型、实践和算法交易 - 页 754

新评论
 
交易员博士。

我已经在这里贴出了神经元的例子，我会找一些合适的东西，并针对你的数据重做（并有一个委员会）。我不会写介绍性的讲义，但我会在代码中加入更多的评论。


对不起，我不明白变量with(F,T)在循环中的含义。

for(i in c(1:nrow(table))[c(F,T)]){
   ..... table[i,] ..... 
}

也就是说，这个循环在表中的偶数行上进行，但在奇数行上怎么做呢？

 

F和T是布尔值FALSE和TRUE的缩写，原则上来说，写c(T,F)还是c(TRUE,FALSE)并不重要，只是第一个变量更短。

如果表有10行，那么c(1:nrow(table))只是c(1,2,3,4,5,6,7,8,9,10)的一个向量。
而带有布尔值的数组在这种情况下会循环到要求的长度，你会得到c(TRUE,FALSE,TRUE,FALSE,TRUE,FALSE,TRUE,FALSE)。

即c(1:nrow(table))[c(F,T)] R将理解为
c(1,2,3,4,5,6,7,8,9,10) [c(TRUE,FALSE,TRUE,FALSE,TRUE,FALSE]
并依次取出那些与TRUE相匹配的向量元素。

例如，如果我们想取每一个第三元素，我们可以写成
c(1,2,3,4,5,6,7,8,9,10)[c(FALSE,FALSE,TRUE,FALSE,FALSE,TRUE,FALSE]
或缩略语
c(1:10)[c(F,F,T)]


对于奇数元素只需交换T和F：c(1:nrow(table))[c(T,F)]。

 
交易员博士。

F和T是布尔值FALSE和TRUE的缩写，原则上来说，写c(T,F)还是c(TRUE,FALSE)并不重要，只是第一个变量更短。

如果你在表中有10行，那么c(1:nrow(table))只是c(1,2,3,4,5,6,7,8,9,10)个向量。
而带有布尔值的数组在这种情况下会循环到要求的长度，你会得到c(TRUE,FALSE,TRUE,FALSE,TRUE,FALSE,TRUE,FALSE)。

即c(1:nrow(table))[c(F,T)] R将理解为
c(1,2,3,4,5,6,7,8,9,10) [c(TRUE,FALSE,TRUE,FALSE,TRUE,FALSE)]
并依次取出那些与TRUE相匹配的向量元素。

例如，如果我们想取每一个第三元素，我们可以写成
c(1,2,3,4,5,6,7,8,9,10)[c(FALSE,FALSE,TRUE,FALSE,FALSE,TRUE,FALSE]
或缩略语
c(1:10)[c(F,F,T)]


对于奇数元素，只需交换T和F：c(1:nrow(table))[c(T,F)]

谢谢你不厌其烦地写下如此详细的描述。确实有很多东西变得清晰了。我甚至不好意思问，但我会下定决心的。问题的实质如下：.....

训练文件由每个目标的相同数量的类组成。换句话说，我的目标中有24个1和24个0。再次，我想做的是像Reshetov.....

我把训练表分成两个表，一个是目标为1的所有向量，另一个是目标为0的向量。

我以目标1为表，然后我需要创建两个子表，其中偶数向量在Train1，奇数向量在Train2。

首先，我们对偶数的做。

for(i in c(1:nrow(Qwe_true))[c(F,T)]){
  Train1[i,]<-Qwe_true[i,]
  }

但是，Train1表将包含c NA行，而需要Train1被创建为12行，因为24行中只有12行是偶数。我不知道该怎么做....

 

请。

对于R来说，你需要一种不同的思维方式，你需要在头脑中操作向量，那么代码就很容易写。专业人士在一行中写出这样的东西，我甚至不理解，而我自己会用几行写出周期。

Train1 <- rbind(Qwe[which(Qwe[, "target"]==1)[c(T,F)], ], Qwe[which(Qwe[, "target"]==0)[c(T,F)], ] )
Train2 <- rbind(Qwe[which(Qwe[, "target"]==1)[c(F,T)], ], Qwe[which(Qwe[, "target"]==0) [c(F,T)], ])

在步骤中 -
which(Qwe[, "target"]==1) - 目标为1的行数
which(Qwe[, "target"]==1)[c(T,F)] - 有 target1 的行数，跳过 1
Qwe[which(Qwe[, "target"]==1)[c(T,F)], ] - 从Qwe得到的表格，目标是1，其中有一个空格
rbind(..., ...) - 合并两个表（目标1和目标0）。

 
交易员博士。

请。

对于R来说，你需要一种不同的思维方式，你需要在头脑中操作向量，那么代码就很容易写。专业人士用一行写出的东西我都不懂，而我自己会写出几行的循环。

Train1 <- rbind(Qwe[which(Qwe[, "target"]==1)[c(T,F)], ], Qwe[which(Qwe[, "target"]==0)[c(T,F)], ] )
Train2 <- rbind(Qwe[which(Qwe[, "target"]==1)[c(F,T)], ], Qwe[which(Qwe[, "target"]==0) [c(F,T)], ])

你只是一个怪物。两句话，就能让你卸下心头的重担。好吧，我会继续努力的......。谢谢!

 
周五晚上...我的头感觉不是很好。一起测试一下理论如何....，以你的R写作能力和我的问题设置能力（准确性），我们可以在半小时内全部检查一遍？有时间吗？窦建德博士
 
不，继续学习。如果有任何问题，我会帮忙。
 

在这两个样本之外，还需要增加两个样本。

MLP1=Train1+Test(Train2)

MPL2=Train2+Test（Train1）。

如果我们把Test(Train2)+Test(Train1)相加，就可以得到整个训练部分的结果，这个部分将是一个测试，对每个多项式都是如此。

也许花点时间，如果现在不可能的话。但这是半个小时，你已经确定了。我只想做一面镜子。我拿着同一个文件，用两种方式来教它。然后，我们将把它全部扔到控制站点上，我们将看到一切。你怎么说？

 

你可以使用rbind()函数来组合这些表格
MLP1 <- rbind(Train1, Test)

什么是Test(Train2)？而为什么要把训练表和测试表结合起来？测试应该是单独的，以便对训练好的模型进行测试。

一切都不会像你想的那样简单和快速。这在雷舍托夫的模型中，你只需输入数据，模型本身就会筛选出预测因子，确定权重、神经元数量，等等。但你不能用普通的神经元来做，你需要通过交叉验证来选择神经元的参数，例如我今天在这里写的例子，或者Vladimir Perervenko的文章。


再看看我在那里写了什么 -https://www.mql5.com/ru/forum/86386/page753#comment_6821981
只要把你的数据按描述粘贴到该代码中并运行即可。如果所有的预测因子都是一个一个地拿出来的，而不是消除的，那么从第一次开始，可能就会太糟糕。运行代码后，另外运行max(gaResult@fitness) 命令，这将显示由遗传学找到的最佳模型的R2得分。如果估计值接近1或更低，那就是好的，如果接近0甚至是负值，那就是坏的。

然后在PREDICTOR_COLUMNS 中指定你认为好的列的确切数量，并再次运行代码，模型将只在这些预测器上训练。理想情况下，遗传学的最佳模型评价应该接近1，训练和测试表中的精确度应该是1.00。

测试表的时间应该严格在训练数据之后，就像这个模型已经在市场上交易一样。

如果这段代码没有什么好的结果（甚至在KFOLDS=10 的情况下）--那么它就没有好处。如果成功了，那么就有了一个替代雷舍托夫模型的好办法，我们可以进一步整理代码，把模型输出到mql中。

 

我的观点是，如果你像在雷谢托夫的模型中那样做，添加一些额外的东西，然后拿一个普通的神经元，以某种方式与之前的步骤混合，并期望这一切都像雷谢托夫的模型那样工作--这将变成一个徒劳的漫长过程，我绝对不赞成这样的做法。

如果我想得到与雷舍托夫相同的结果，但在R中，那么我必须用R重写模型的所有java代码。

但也有许多替代方案。如果它们比雷舍托夫的还要好用，那就完美了，你不需要其他东西，一切都准备好了。

1...747748749750751752753754755756757758759760761...3399
新评论