交易中的机器学习：理论、模型、实践和算法交易 - 页 851

新评论
 
elibrarius:

2个类
加载了1个核心

设置 , rfeControl = rfeControl(number = 1,repeats = 1) - 将时间减少到10-15分钟。结果的变化--2对预测因子被调换，但总体上与默认的情况相似。

好了，你去吧，你的10分钟一个核心是我的2对4，还有2分钟我记不清了。

我从不为某件事情等上几个小时，如果10-15分钟没有效果，那就是出了问题，所以花更多时间也没有用。在建立一个持续数小时的模型时，任何优化都是对建模思想的完全失败，因为建模思想认为，模型应该尽可能的粗糙，在任何情况下都应该尽可能的精确。

现在，关于预测器的选择。

你为什么要这样做，为什么？你想解决什么问题？

选拔工作中最重要的是努力解决再培训的问题。你的模型是否训练过度？ 如果不是，那么选择可以通过减少预测因子的数量来加速学习。但通过隔离主成分，减少数量要有效得多。它们不会影响任何东西，但它们可以将预测因子的数量减少一个数量级，从而提高模型拟合的速度。


所以要先说：你为什么需要它？

 
交易员博士。

我发现了另一个有趣的包，用于筛选出预测因素。它被称为FSelector。它提供了大约十几种筛除预测因子的方法，包括熵值。

我从https://www.mql5.com/ru/forum/86386/page6#comment_2534058，得到了带有预测器和目标的文件。


每种方法对预测器的评价我都在最后的图表中显示。


蓝色是好的，红色是坏的（对于corrplot结果被缩放为[-1:1]，对于确切的评价，见cfs(targetFormula, trainTable), chi.squared(targetFormula, trainTable)等的结果。）
你可以看到，X3、X4、X5、X19、X20几乎被所有的方法评估得很好，你可以从它们开始，然后再尝试增加/删除更多。

然而，在Rat_DF2上使用这5个预测因子时， rattle中的模型没有通过测试，奇迹再次没有发生。也就是说，即使有剩余的预测因子，你也必须调整模型参数，做交叉验证，自己添加/删除预测因子。

我使用弗拉基米尔文章中的数据对CORElearn做了同样的事情。

我计算了各列的平均数（最下面一行是平均数），并按其排序。这样更容易觉察到总的重要性。


花了1.6分钟--那是37个算法的工作。 速度比Caret（16分钟）好得多，结果相似。

 
elibrarius。

我使用弗拉基米尔文章中的数据对CORElearn做了同样的事情。

我按列计算了平均数（最下面一行的平均数），并按它进行了排序。这样更容易觉察到总的重要性。


它花了1.6分钟，用了37种算法。

那么，底线是什么？你到底有没有回答关于预测器的重要性的问题，因为我对这些图片有点不理解。

对我来说，现在建立和选择模型时完全没有问题，我选择预测器，然后在其上建立10个模型，然后相互信息选择效果最好的一个。你知道怎么做吗？这是一个精神上的挑战！！！。好吧，谁解决了这个问题，谁就是最好的!!!!!。

我设法得到了一套模型。而实际上vporez：哪些模式是有效的，为什么??????？

或者说它们都能工作，但只有一个能拨号。并解释为什么？


 
Mihail Marchukajtes:

那么，底线是什么？你到底有没有回答关于预测器的重要性的问题，因为我对这些图片有点不理解。

对我来说，现在建立和选择模型时完全没有问题，我选择预测器，然后在其上建立10个模型，然后相互信息选择效果最好的一个。你知道怎么做吗？这是一个精神上的挑战！！！。好吧，谁解决了这个问题，谁就是最好的!!!!!。

我设法得到了一套模型。而实际上vporez：哪些模式是有效的，为什么??????？

或者说它们都能工作，但只有一个能拨号。并解释为什么？


Vtreat对预测因素的排序非常相似（重要的先）
5 1 7 11 4 10 3 9 6 2 12 8

下面是在CORElearn中按平均值排序的情况

5 1 7 11 9 4 3 6 10 2 8 12

我想我不会再去管更多的预测器选择 包了。
所以Vtreat就足够了。除了没有考虑到预测因素的相互作用。可能也是。

 
当我看到你不断地挑起预测者对市场历史的某些部分的重要性时，我的眼泪就会流下来。为什么？ 这是对统计方法的亵渎。
 
马克西姆-德米特里耶夫斯基。
当我看到你不断挑起预测者对市场历史的一些片段的重要性时，我泪流满面。为什么？ 这是对统计方法的亵渎。
我在实践中检查过，如果你把2号预测器输入NS--误差从30%上升到几乎50%。
 
elibrarius。
在实践中检查，如果将2号预测器送入NS--误差从30%上升到几乎50%。

而在OOS上，错误是如何变化的？

 
马克西姆-德米特里耶夫斯基。

OOS上的错误是如何变化的？

类似地。正如弗拉基米尔的文章一样--数据来自那里。
 
elibrarius。
类似地。正如弗拉基米尔的文章一样--数据来自那里。

如果它是在不同的OOS上呢？

 
elibrarius:
在实践中，我检查过，如果你把2号预测器送入NS，误差从30%上升到几乎50%。

吐出预测因子，并将归一化的时间序列 送入NS。NS将找到预测器本身--+1-2层，就这样了

1...844845846847848849850851852853854855856857858...3399
新评论