trainingData <- data.frame(trainingData) #на всякий случай сконвертировать таблицу из матрицы в датафрейм, если не было сделано раньше
trainingData[,ncol(trainingData)] <- factor(trainingData[,ncol(trainingData)]) #тип последней колонки сменить на фактор. Модели в R обычно сразу по этому типу понимают что нужна классификация, и работают чуть иначе чем при регрессии
在训练模型时，树越多，"0 "类就学得越多，随着 "0 "类学得越来越多，它开始（吸收-挤出）"1 "和"-1 "类。这就是为什么树越多交易越少的原因
有些事情是不对的，森林几乎总是被训练到100%的准确性，有任何偏差。在用这样的数据进行验证时，可能会有问题，但在训练数据上预测结果，森林将总是准确的。我可以假设你不是在使用分类，而是在使用回归，当你测试模型时，你不会得到清晰的类-1;0;1，而是在-1到1的范围内的实际数字。有了这种倾斜的回归，就不会有好的结果。
一个更好的方法是，你有一个trainingData表，其中最后一列是目标变量，所有其他列是预测因子。
并非如此...
我写的东西只适用于我的方法。
你知道我是如何做我的目标的，它的支点
我有三类枢轴( 1 , -1 , 0 )
你也知道，类的偏度是巨大的，"0 "类比"-1 "和 "1 "大几十倍。
这意味着模型最好在 "0 "类上训练，因为它有最多的观测数据，在训练模型时，树越多，"0 "类就被训练得越多，随着 "0 "类变得更好更强，它开始（吸收-挤出）"1"，"-1 "类。这就是为什么树越多交易越少的原因
对我来说，你写出了令人惊奇的东西!
对于不平衡的班级来说，这是一个非常原始的方法。
那么我的理解是，你的预测器列表不仅不包含噪音，而且还具有非常高的预测能力。
如果是这样，你是如何实现的？
有些事情是不对的，森林几乎总是被训练到100%的准确性，有任何偏差。在验证时，这样的数据可能会有问题，但森林总是会准确地预测训练数据的结果。我可以假设你不是在使用分类，而是在使用回归，当你测试模型时，你不会得到清晰的类-1;0;1，而是在-1到1的范围内的实际数字。有了这种倾斜的回归，就不会有好的结果。
最好这样做，假设你有一个trainingData表，其中最后一列是目标变量，所有其他列是预测变量。
一棵树100%的价格绝对是无稽之谈!
如果你的预测器都是噪音，这个结果就很难实现：仍然会有3%-5%的误差。在所有的交叉验证和其他技巧下，噪声总是给出非常好的结果。
100%的准确率只意味着：在预测因素中，你有一个目标变量的重复（对它的一些修改）。也就是说，该模型着眼于未来。
100%的准确率只意味着一件事：在预测因素中，你有一个目标变量的重复（对它的某种修改）。也就是说，该模型着眼于未来。
你不喜欢这种做法的原因是什么？你打算如何调整参数？
是的，这个方法很好，很难想出更好的办法，问题出在市场本身......。
记得吗，我告诉过你我的实验、关联和在历史中寻找模式（不是SSA，而是之前），我做了什么。
我把目前的情况，在过去寻找它的类似物，并看它们是如何结束的，如果我找到一个情况 "X"，当我找到20个类似物，其中17个以下跌结束，3个以上涨结束，所以统计学上的优势是明显的（我们必须卖出），顺便说一下，为什么不是交叉验证？ 只是通过单一的模式，你不同意？ 我们发现这种模式不会起作用，我们发现以巨大的概率，市场会上涨，它以巨大的统计概率违背了自己的统计。
简单点说，如果昨天我们有事件 "x"，之后我们有秋天，前天我们有事件"x"，之后一切也都倒下了，昨天在事件"x "之后有一个秋天--所以如果今天我们有 事件"x"--一切都会增长，什么交叉验证会帮助我们？没有，从来没有。
最重要的是要了解这个过程。
市场是一个残酷的行业，一些建立这个行业的人合法地从其他人那里拿钱。 群众，大多数人，总是不得不输，每个人都知道它，每个人都写它，没有人隐藏它，总之，它是一个公理--95%的交易者输钱的模式--市场对大多数人的行动，交易者输钱的概率是这95%。
那么众人在交易时使用什么呢？事实上，除了一件事，群众没有任何东西让他们做交易。
任何从对图表的视觉观察开始，在分解中寻找模式，并以 神经网络训练结束的 行为，都不过是通过统计数字进行交易，而这些统计数字在市场上是不起作用的，你知道我在说什么吗？
市场的走势与群众的交易相悖 ----- 群众的行为是基于统计数字 ------ 你需要做的就是预测群众在未来的行动，然后做相反的事情，预测的唯一方法就是统计数字。
))))从一个开始，以第三个结束 :)好了，就这样吧，至少我把它从我的系统中解脱出来了）。
p.s. 我在这里说的都是我的个人意见，我不想把任何东西强加给别人，我可以争论并证明它，但我没有心情。
有些事情是不对的，森林几乎总是被训练到100%的准确性，有任何偏差。在验证时，这样的数据可能会有问题，但森林总是会准确地预测训练数据的结果。我可以假设你不是在使用分类，而是在使用回归，当你测试模型时，你不会得到清晰的类-1;0;1，而是在-1到1范围内的实际数字。有了这样一个倾斜的回归，就不会有好的结果。
最好有一个trainingData表，其中最后一列是目标变量，所有其他列是预测变量。
不，分类，你有一些错误...
我是这样想的，两个模型，分别是买入和卖出类（1, 0）和（-1, 0）。
看起来很难看 )同意
是的，方法很好，很难想出更好的办法，问题出在市场本身......。
记得我告诉过你我的实验、关联和在历史中寻找模式（不是SSA，而是以前），我做了什么。
我把目前的情况，在过去寻找它的类似物，并看它们是如何结束的，如果我找到一个情况 "X"，当我找到20个类似物，其中17个以下跌结束，3个以上涨结束，所以统计学上的优势是明显的（我们必须卖出），顺便说一下，为什么不是交叉验证？ 只是通过单一的模式，你不同意？ 我们发现这种模式不会起作用，我们发现以巨大的概率，市场会上涨，它以巨大的统计概率违背了自己的统计。
简单点说，如果昨天我们有事件 "x"，之后我们有秋天，前天我们有事件"x"，之后一切也都倒下了，昨天在事件"x "之后有一个秋天--所以如果今天我们有 事件"x"--一切都会增长，什么交叉验证会帮助我们？没有，从来没有。
最重要的是要了解这个过程。
市场是一个残酷的行业，一些建立这个行业的人合法地从其他人那里拿钱。 群众，大多数人，总是不得不输，每个人都知道它，每个人都写它，没有人隐藏它，总之，它是一个公理--95%的交易者输钱的模式--市场对大多数人的行动，交易者输钱的概率是这95%。
那么众人在交易时使用什么呢？事实上，除了一件事，群众没有任何东西让他们做交易。
任何从对图表的视觉观察开始，在细分市场中寻找模式，并以 神经网络训练结束的 行为，都不过是通过统计数字进行交易，而这些统计数字在市场中是不起作用的，你知道我在说什么？
市场的走势与群众的交易相悖 ----- 群众的行为是基于统计数字 ------ 你需要做的就是预测群众在未来的行动，然后做相反的事情，预测的唯一方法就是统计数字。
))))从一个开始，以第三个结束 :)好了，就这样吧，至少我把它从我的系统中解脱出来了）。
p.s. 我在这里所说的一切只是我的观点，没有人强加什么，我可以争论和证明，但不是心情。
好的。
对我来说，外汇是一个带有噪音的简单信号。如果我发现上瘾了，我就把钱拿走，如果我重新培训，经纪人就把钱拿走。而关于人群等，我没有任何信息。我不知道如何才能得到足够的东西。
我想在完成这个实验后开始处理股票报价。我将在那里得到真正的数量，这也是一个优点。
好的。
对我来说，外汇是一个带有噪音的愚蠢信号。如果我发现上瘾了，我就拿钱，如果我再培训，经纪人就拿钱。而关于人群等，我没有任何信息。我不知道如何才能得到足够的东西。
我想在完成这个实验后开始处理股票报价。我想用真实的引语。
在完成这个实验后，我想拿起证券交易所的报价。那里会有真正的量，这也是一个优点。
相信我，交易量不会对你有多大帮助，你可以用常规的波动率来代替它，我几乎一直只在真实的市场上交易，我知道我在说什么。
好的。
我会试着把卷子做成输入框，然后我们再看。