交易中的机器学习：理论、模型、实践和算法交易 - 页 815

[СанСаныч Фоменко]

马克西姆-德米特里耶夫斯基。

现在把每个预测者的历史副业/持有量估计值，转换成概率估计值。

取几个预测器，对每个预测器做同样的处理

在一组特征上找到利润的条件概率

然后你把它放到NS或模糊集合中，就像这个例子中一样

每个预测因子的平均估计值将在0.5左右波动，但贝叶斯方法的奇迹将使总数达到可接受的水平。

是在理论上 :)

在我所知道的所有分类模型中，结果可以被排序为一个类别，也可以被排序为一个类别的概率。通常情况下，这个概率被分成两半，用于两个班。但有一个程序不是把这个概率除以一半，而是除以其他一些考虑。

[Renat Akhtyamov]

Vizard_。

)))

Wizard_，我仔细阅读了你的帖子

解释一下这些图片，怎么了？

[Maxim Dmitrievsky]

桑桑尼茨-弗门科。

在我所知道的所有分类模型中，结果可以被排序为一个类别，也可以被排序为一个类别的概率。通常情况下，这个概率被分成两半，用于两个班。但有一个程序不是把这个概率除以一半，而是除以其他一些考虑。

是的，逻辑回归被称为))

[СанСаныч Фоменко]

马克西姆-德米特里耶夫斯基。

是的，逻辑回归被称为))

不，我是说。

CORElearn::calibrate()

给出概率分数predictedProb，例如通过调用predict.CoreModel提供的概率分数。

并使用方法给出的一种可用的方法，该函数 校准了预测的概率

以便它们与correctClass提供的二元类1的实际概率相符。

calibrate(correctClass, predictedProb, class1=1,
method = c("isoReg","binIsoReg","binning","mdlMerge"),
weight=NULL, noBins=10, assumeProbabilities=FALSE)

PS。

有很多回归是以类作为其输出的。

最著名和相对简单的是glm()。

见.

实际上，非常希望这些帖子能更具体，能提到原始资料，最好能提到具体的职能。

[Maxim Dmitrievsky]

Vizard_。

阿法，你已经搞了好几年了。glm(.~...,family = "binomial")
物流））））丢掉他妈的所有。在这个问题上，只有医生和毒药是足够的......

托克斯一生中曾经说过什么，他突然变得理智起来？

他什么都不写。

椰子完全不够用，而且迷失了方向，你也是如此。

[TheXpert]

Vizard_。

在这个问题上，只有医生和毒药是足够的......

仅限有毒

[Mihail Marchukajtes]

不要把我放在眼里，我什么都不知道......。

[СанСаныч Фоменко]

Vizard_:

阿法，你已经胡说八道多年了。glm(.~...,family = "binomial") 是
logistic))丢掉他妈的所有。在这个问题上，只有医生和毒药是足够的......

公民在面具中，在板凳下，在你发布废话之前。

• 请看，我的帖子是关于校准的，为此我有我提到的工具，而不是逻辑 回归。
• 放下你正在做的事情，阅读附件，也许你会在各种逻辑回归的乐趣中闭嘴几年。读完后，在此启迪一下，如何使用逻辑回归来校准类。

在附件中还有更多关于这个想法的内容

[Roffild]

这个主题的信息是没有意义的，因为每个人都有不同的模式。唯一让参与者团结起来的是将外部工具与MQL5整合。我有一个从Spark Random Forest到Alglib（MQL5）格式的转换器。如果你想发关于整合的帖子，请随意将此作为一个总体思路，这就是为什么它对大家都有好处。

P.s. 我更喜欢Git

[Grigoriy Chaunin]

(这是很有意义的）。) 这里有一些有趣的东西。只是要读完整个主题已经不现实了。