交易中的机器学习：理论、模型、实践和算法交易 - 页 96

[Dr. Trader]

虹膜花瓣数据不是一个信号，这个表根本不适合做foreca测试。只有时间序列 适合于批处理，你在一定的时间间隔内收到新的数值，并将它们组合成一个向量。由于这个原因，你不能改变foreca的数据表中的行的顺序。而且你不能随意删除一些用于验证的行，一切都必须严格按照顺序进行--先是训练用的数据，然后是验证用的数据。没有样品。

对虹膜来说，最好的办法是使用最大组件数min(dim(forec.dt))=14，但我认为准确率仍将低于100%。

[mytarmailS]

Dr.Trader:

对虹膜来说，最好的办法是使用最大的组件数min(dim(forec.dt))=14，但我认为准确率仍将低于100%。

两者都做了，准确率约为85%，而仅仅是forec显示为95%。

[СанСаныч Фоменко]

Dr.Trader:

虹膜花瓣数据不是一个信号，这个表根本不适合做foreca测试。只有时间序列适合于批处理，你在一定的时间间隔内收到新的数值，并将它们组合成一个向量。由于这个原因，你不能改变foreca的数据表中的行的顺序。而且你不能随意删除一些用于验证的行，一切都必须严格按照顺序进行--先是训练用的数据，然后是验证用的数据。没有样品。

对虹膜来说，最好的办法是使用最大组件数min(dim(forec.dt))=14，但我认为准确率仍将低于100%。

我认为关于鸢尾花的帖子非常重要。

问题是，RF非常容易出现过度训练。

而在这里，事实证明，foreCA没有这种倾向。所以这是一个非常有用的软件包。

[mytarmailS]

Dr.Trader:

你在那里使用BP的结果如何？

[Dr. Trader]

桑桑尼茨-弗门科。

我觉得关于鸢尾花的帖子非常重要。

事实是，rf非常容易出现过度学习的情况。

而在这里，事实证明，foreCA没有这种倾向。所以这是一个非常有用的软件包。

即使是过度训练，如果你在虹膜的4个预测器上增加10列随机值，森林仍能以几乎100%的准确率预测新数据。我很惊讶，也很高兴森林做得很好。我自己以前没有做过这样的实验，以后会牢牢记住的。

就我而言，我把所有可预测性~1%的预测器称为噪声（包括叶长和来自随机值的预测器），并试图从这一切中提取一些信号。我认为从不应该有信号的地方提取信号是没有用的，这个实验并不能告诉foreca任何东西。

mytarmailS:
你在那里使用BP的结果如何？

该模型仍在学习。我可能已经输入了太多的数据，但我不想取消它，让它工作到最后，我将离开它。然后我将在结束后写下结果。

[Mihail Marchukajtes]

我当然不想出人头地，但雷舍托夫在新版本中做了这样一件很酷的事情....它能在短时间内解决你的问题。我给他出了个主意，但他自己已经在想了，所以傻子都是这样想的，结果是很厉害。你不应该把气撒在他身上.....。

[СанСаныч Фоменко]

Mihail Marchukajtes:
我当然不想出人头地，但雷舍托夫在新版本中做了这么一件很酷的事情.....你不应该批评他.....。

谈论很酷的东西...

而我们是否会看到至少有一个与普遍接受的、众所周知的、公认的比较？

[Mihail Marchukajtes]

桑桑尼茨-弗门科。

谈论很酷的东西...

我们甚至会看到与普遍接受的、普遍知道的和公认的一个比较吗？

有一天你会看到一个，为什么不呢.....

[mytarmailS]

Dr.Trader:

虽然森林进行了重新训练，但如果我们在4个Iris预测器上再增加10列随机值，森林仍然以几乎100%的准确率预测新数据。我很惊讶，也很高兴森林做得很好。我自己还没有做过这样的实验，我会为将来记住它。

是的，我自己也很惊讶，它如此出色地忽略了噪音，并与预测者区分开来，我也从来没有这样做过，自己也很好奇....。

因此，即使到今天为止，我对进口 功能完全没有信心。

但它使我相信了它。

[Dr. Trader]

在将其用于外汇时，继续不要相信重要性。虹膜是非常简单的数据，现有数据和类别之间有直接的规律性。RF只需找到一个最小的 预测器集合，在此基础上可以定义虹膜类别，就可以了。