There are two versions of Weka: Weka 3.8 is the latest stable version, and Weka 3.9 is the development version. For the bleeding edge, it is also possible to download nightly snapshots. Stable versions receive only bug fixes, while the development version...
Summary of the Random Forest Model
==================================
Number of observations used to build the model: 98573
Missing value imputation is active.
Call:
randomForest(formula = as.factor(arr_Buy) ~ .,
data = crs$dataset[crs$sample, c(crs$input, crs$target)],
ntree = 500, mtry = 8, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)
Type of random forest: classification
Number of trees: 500
No. of variables tried at each split: 8
OOB estimate of error rate: 6.89%
Confusion matrix:
-1 0 1 class.error
-1 24452 2147 27 0.08164952
0 1138 42398 1180 0.05183827
1 36 2265 24930 0.08449928
Error matrix for the Random Forest model on Pred_027_2015_H2_T_sample.csv (counts):
Predicted
Actual -101 Error
-1464030809430388.30521054059609017.31323728118546685.2
Error matrix for the Random Forest model on Pred_027_2015_H2_T_sample.csv (proportions):
Predicted
Actual -101 Error
-13.321.73.088.303.738.14.317.312.319.83.985.2
Overall error: 54.7%, Averaged class error: 63.6%
既然所有的东西都已经分成了两个文件，为什么还要划分一个文件？我只是不知道如何在R中做到这一点，没有人可以向我解释，我想我很笨。
也许如果你没有时间学习编程，使用https://www.cs.waikato.ac.nz/ml/weka/downloading.html，会更容易一些？
但这里有一个不同的模式。
其结果是其他所有的东西，尽管模型在质量上有所不同，但在你的数据上应该是效果不佳的。
我们需要让RandomForest的速度提高。
明白了，谢谢，那么我将处理树木和森林--我很喜欢它们，而且在意识形态上。
如果所有的东西都已经分成了两个文件，为什么还要划分文件？我只是不知道如何在R中做到这一点，没有人可以向我解释，显然是愚蠢的。
划分是小菜一碟，问题是对R的偏见。
我非常希望该网络能够在历史上超越优化的专家顾问:)
你为什么需要网？
我没有偏见，只是语言知识贫乏，没有俄语HELP（我有一本书，但这本书需要阅读，不像HELP，不知道那里需要什么），所以这是一个学习的问题。而且不清楚为什么人们不那么喜欢图形用户界面--它可以节省时间......
而关于网络，我说错了，这只是关于一般的MO。
你是在哪里捡到这么多远足者的？ 你是否手动选择它们以适应战略？ 疯了 :)
脚手架的逻辑应该是一样的。
我之所以挑选这些预测器，是因为我有过手工交易的惨痛经历，当时我输了钱，却不明白自己为什么会犯错。我有一个问题--我不喜欢输钱，因此很难平仓，因为如果我用手交易，就会给自己带来很大的麻烦。在这种事件发生后，你只是努力工作，测试，分析，寻找解决方案，以避免损失 - 你产生的想法，检查他们的历史，拒绝其中的一些，而不是其他。很多想法仍然没有实现，因为我在编程方面有困难，但它们留在纸上，文件充满了桌子......。
谢谢你关于脚手架的令人放心的回答!
也许，如果学习编程很枯燥，使用https://www.cs.waikato.ac.nz/ml/weka/downloading.html， 会更容易些？
我已经得到了这个世纪--我只是不知道如何使用它!
然后，如何让它与MT5一起工作？
所有这些***，在一般Rattle训练的森林中，默认设置，给出了这样的结果
Summary of the Random Forest Model ================================== Number of observations used to build the model: 98573 Missing value imputation is active. Call: randomForest(formula = as.factor(arr_Buy) ~ ., data = crs$dataset[crs$sample, c(crs$input, crs$target)], ntree = 500, mtry = 8, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix) Type of random forest: classification Number of trees: 500 No. of variables tried at each split: 8 OOB estimate of error rate: 6.89% Confusion matrix: -1 0 1 class.error -1 24452 2147 27 0.08164952 0 1138 42398 1180 0.05183827 1 36 2265 24930 0.08449928我学习了csv文件来测试模型对其他数据的加载（对于这个文件应该先打开，作为一个文件来处理数据，然后导出，已经这个导出的文件在标签Evaluate中打开）--我加载的是2016年。
得到了这个沉闷的结果
这种重新培训、错误的设置、截然不同的市场是什么？
那么为什么我在Deductor Studio中用同样的数据在树上得到更好的结果？
欢迎来到曲径通幽的世界
顺便说一下，我在EMD中探究了一下--分解 必须在每一个新的条形图上进行，这使得f-u-模式变得很嘈杂，因为随着新数据的加入，所有的mods都会来回跳动。胡说八道，只适用于一次性的案例
胡说八道。欢迎来到曲径通幽的世界
顺便说一下，我在EMD中探究了一下--分解 必须在每一个新的条形图上进行，这使得f-u-mode变得很嘈杂，因为所有的mods随着新数据的增加而来回跳动。胡说八道，只适合于1次性案件。
我发现了一个管理职位的新方法起初我想，就这样吧，我在这里被骂了，原来这个复合词有不同的含义......
你认为问题在于我的出场方式不是按模式，而是按止损，它严重歪曲了结果？
关于EMD，我有一个想法，用这种方法来创建反趋势通道......
管理职位的新方法是什么？起初我以为就这样了，我在这里被骂了，但事实证明，这个复合词有不同的含义......
你认为这是因为我的出场不是基于模式，而是基于止损，而这大大扭曲了结果？
关于EMD，我有一个想法，用这种方法来创建反趋势通道...
职位管理的方法是什么？由于上述原因，动态中的EMD根本无法应用。
这是一个很长的方法解释，一切都与RL交织在一起
是的，在你的案例中--结果是在新的数据上预期的。这种情况几乎总是存在的。部分由独立模型的组合解决得到如此沉闷的结果
这种重新培训、错误的设置、截然不同的市场是什么？
那么为什么我在Deductor Studio的树上用同样的数据得到了更好的结果？
重新训练的主要证明：我没有找到任何噪音预测器--所有的噪音，这就是为什么训练中取得如此好的结果。
由于上述原因，EMD根本不能用于动力学。
解释起来很费劲，它与RL交织在一起。
而在你的案例中--结果是在新数据上的预期。这种情况几乎总是存在的。部分由独立模型的集合体解决我再加几个预测器，然后转到合集....。然后手鼓和舞蹈将开始。