Forecastable component analysis (ForeCA) is a novel dimension reduction (DR) technique to find optimally forecastable signals from multivariate time series (published at JMLR). ForeCA works similar to PCA or ICA, but instead of finding high-variance or statistically independent components, it finds forecastable linear combinations. ForeCA is...
如果我理解正确的话，是一个选择可以预测的BP和不能预测的BP的包。
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
和所有来者。在z1档案中，有两个文件train和test。对于Target来说，在训练中建立模型，应用于测试，发布结果的百分比（成功预测）。
的情况下），两个样本（训练=xx%，测试=xx%）。方法和模式不需要公布，只需要公布数字。允 许进行任何数据操作
和采矿方法。
1.你所有的预测器都没有预测能力--无一例外都是噪音
2.建立了三个模型：RF、ada、SVM。以下是结果
rf
呼叫。
randomForest(公式 = TFC_Target ~ ,
data = crs$dataset[crs$sample, c(crs$input, crs$target)] 。
ntree = 500, mtry = 3, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)
随机森林的类型：分类
树木的数量: 500
在每个分叉处尝试的变量数量：3。
OOB估计的错误率：49.71%。
混淆矩阵。
[0, 0] (0, 1] class.error
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
盛大
呼叫。
ada(TFC_Target ~ . , data = crs$dataset[crs$train, c(crs$input,
crs$target)], control = rpart::rpart.control(maxdepth = 30,
cp = 0.01, minsplit = 20, xval = 10), iter = 50)
损失：指数法：离散法 迭代：50次
数据的最终混淆矩阵。
最终预测
真值 (0,1) [0,0] 。
(0,1] 303 37
[0,0] 29 331
训练误差：0.094
误差：0.157 迭代=50
证券公司
SVM模型的摘要（用ksvm建立）。
支持向量机的 "ksvm "类对象
SV类型: C-svc (分类)
参数：成本C = 1
高斯Radial Basis核函数。
超参数 : sigma = 0.12775132444179
支持载体的数量 : 662
目标函数值 : -584.3646
训练误差：0.358571
包括概率模型。
所用时间：0.17秒。
在测试装置上（我指的是拨浪鼓，不是你的。）
Test.csv上的Ada Boost模型的误差矩阵[验证]（计数）。
预测的
实际(0,1) [0,0] 。
[0,0] 33 40
(0,1] 35 42
Test.csv上的Ada Boost模型的误差矩阵[验证]（比例）。
预测的
实际(0,1) [0,0] 误差
[0,0] 0.22 0.27 0.55
(0,1] 0.23 0.28 0.45
总体误差：50%，平均班级误差：50%。
拉特时间戳: 2016-08-08 15:48:15 用户
======================================================================
test.csv上的随机森林模型的误差矩阵[验证]（计数）。
预测的
实际 [0,0] (0,1)
[0,0] 44 29
(0,1] 44 33
test.csv上的随机森林模型的误差矩阵[验证]（比例）。
预测的
实际 [0,0] (0,1] 误差
[0,0] 0.29 0.19 0.40
(0,1] 0.29 0.22 0.57
总体误差：49%，平均班级误差：48%。
拉特时间戳: 2016-08-08 15:48:15 用户
======================================================================
test.csv上的SVM模型的误差矩阵[验证]（计数）。
预测的
实际 [0,0] (0,1)
[0,0] 41 32
(0,1] 45 32
test.csv上的SVM模型的误差矩阵[验证]（比例）。
预测的
实际 [0,0] (0,1] 误差
[0,0] 0.27 0.21 0.44
(0,1] 0.30 0.21 0.58
总体误差：51%，平均班级误差：51%。
拉特时间戳: 2016-08-08 15:48:15 用户
随机森林的ROC分析
证实了上述情况。
结论。
你的这套预测器是没有希望的。
如果我理解正确的话，一个可以选择可以预测和不能预测的BP的软件包
我看了一下，从描述来看，这是一个非常好的包（ForeCA，它甚至在R仓库里，不需要从githab下载任何东西）。其主要特点是，它对数据的 "可预测性 "进行评级。
而加上这个，也很重要，可以应用于降低数据的维度。也就是说，从现有的预测器中，这个软件包会做出两个新的预测器，而且预测性出奇地好。同时，它将消除垃圾等。让我想起了主成分法，但不是成分，而是会做出自己的东西。
非常简单--给这个包一个有很多预测因素（价格、指标、三角洲、垃圾等）的表。ForeCA将给出一个新的表格，而不是原来的表格。这个新表被用来训练预测模型（gbm、rf、nnet等）。
如果更复杂一点，这是另一个用于数据 核变换 的软件包，偏重于股票市场。
这一切听起来都很好，直截了当，甚至太多，我得去看看。
如果我理解正确的话，是一个选择可以预测的BP和不能预测的BP的包。
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
极为好奇。
该软件包已安装，文档可用。
也许有人会试一试并公布结果？
我看过了，从描述来看，这是一个非常好的包（ForeCA，它甚至在R仓库里，不需要从githab下载东西）。其主要特点是，它对数据的 "可预测性 "进行评级。
而加上这个，也很重要，可以应用于降低数据的维度。也就是说，从现有的预测器中，这个软件包会做出两个新的预测器，而且预测性出奇地好。同时，它将消除垃圾等。让我想起了主成分法，但不是成分，而是会做出自己的东西。
非常简单--给这个包一个有很多预测因素（价格、指标、三角洲、垃圾等）的表格。ForeCA将给出一个新的表格，而不是原来的表格。这个新表被用来训练预测模型（gbm、rf、nnet等）。
如果更复杂一点，这是另一个用于数据核变换的软件包，偏向于股票市场。
这一切听起来都很好，直截了当，甚至太好，我得去看看。
那不就需要预选吗？
伙计们，赶紧行动起来吧!
结论。
你的这套预测器是没有希望的。
"发布结果，以%为单位（成功预测的案例），针对两个样本（训练=xx%，测试=xx%）。不需要指定方法和模型，只需要数字"。
我们正在等待更多的结果。我想知道米哈伊尔-马尔丘卡耶斯会得出什么结论。
OK))))，但要仔细阅读条件 --
"发布结果，以%为单位（成功预测的案例），针对两个样本（训练=xx%，测试=xx%）。不需要指定方法和模型，只需要数字"。
我们正在等待更多的结果。我想知道米哈伊尔-马尔丘卡耶斯会得出什么结论。
测试是不必要的!
该模型不能被训练!你不能测试一个空的空间。
我读了描述，听起来是一个非常好的软件包（ForeCA, ..............