帮助写一个线性回归 - 页 6

新评论
 

在这种情况下，最好的办法可能是找到所有X[i]的算术平均值，从数值本身中减去它，计算回归系数，再把它们校正回来。原则上，没有什么能阻止你对Y[i]做同样的事。但我还没有试图找到这个公式，尽管它显然不难。显然，弱条件矩阵有一些技巧。

P.S. 你也可以将数据系列归一化到差不多的顺序。

 
Mathemat писал (а)>>

在这种情况下，最好的办法可能是找到所有X[i]的算术平均值，从数值本身中减去它，计算回归系数，再把它们校正回来。原则上，没有什么能阻止你对Y[i]做同样的事。但我还没有试图找到这个公式，尽管它显然不难。显然，弱条件矩阵有一些技巧。

P.S. 你也可以将数据系列归一化到差不多的顺序。

而我有，并通过司法部建议。直接的公式，不需要校正。

现在你也可以把ACF放在代码库中。重新检查后，都与8个字符的精度相吻合，但这很可能是由于在MQL中计算的ACF的文件值的输入。

 

谢尔盖，几年前我在写LR的时候已经偶然发现了这个问题。出路很简单--听从Candid 的建议。我在这个建议中唯一要说明的是，不是减去Time[Bars-1]，而是减去第一个值X[]的时间。首先，它使程序代码具有通用性，因为X开头被移到了程序内。其次，如果图表上有很多条形图（3年是1000000分钟，即60000000秒），那么减去图表上第一个条形图的时间并不会从根本上改变情况。第三，你将能够在没有任何MO的情况下回到你的原始公式，这意味着你将能够在保持准确性的同时消除循环重复。

还有一件事。我注意到，你的X[]是分钟的时间。也就是说，X的排列是等距的。这意味着你可以完全摆脱时间的束缚，使用条形号码。如果你实现了这一转变，一切都将被准确而迅速地计算出来。你可以查看。从你的LR在M1和D1上工作相同的角度来看，这也是比较好的（想象一下，如果是时间而不是条数，D1上的X值会有多大差别）。

 
Yurixx писал (а)>>

谢尔盖...

谢谢，都试过了。

我只是列出了我的计算版本，也许有人会发现它很有用。我不需要移动任何东西。我觉得把X移到0不太合适。我使用这个函数来计算ACF，它应该是有时间限制的（有一些依赖性）。

 

一般来说，没有必要将X本身移动到0点。要做到这一点，只需在LR函数中使用一个由X[1]移位的内部数组，而不是X本身。你甚至可以不使用数组--只要在计算和的时候减去X[1]的值就可以了。

顺便说一下，如果你试过，它没有帮助吗？

 
Yurixx писал (а)>>

一般来说，没有必要将X本身移动到0点。要做到这一点，只需在LR函数中使用一个由X[1]移位的内部数组，而不是X本身。你甚至可以不使用数组--只要在计算和的时候减去X[1]的值就可以了。

顺便说一下，如果你试过了，它有用吗？

我试了一下，似乎很有效。但是有一个细微的差别。 如果算法对一个6个数字的数组给出这样的错误，我们不能保证即使有偏移量，错误也不会累积。我所使用的阵列是7200（分钟）。这就是为什么我发现了这种算法，而且它能正确地工作。我不得不放弃那个，因为我不再信任它了。

//+------------------------------------------------------------------+
//| Формула предлагаемая мной                                        |
//| Рассчет коэффициентов A и B в уравнении                          |
//| y(x)=A*x+B                                                       |
//| используються формулы https://forum.mql4.com/ru/10780/page5       |
//+------------------------------------------------------------------+

void LinearRegr(double X[], double Y[], int N, double& A, double& B)
{
      double mo_X = 0.0, mo_Y = 0.0, var_0 = 0.0, var_1 = 0.0;
      
    for ( int i = 0; i < N; i ++ )
      {
        mo_X +=X[i];
        mo_Y +=Y[i];
      }
    mo_X /=N;
    mo_Y /=N;
        
    for ( i = 0; i < N; i ++ )
      {
        var_0 +=(X[i]-mo_X)*(Y[i]-mo_Y);
        var_1 +=(X[i]-mo_X)*(X[i]-mo_X);
      }
        A = var_0 / var_1;
        B = mo_Y - A * mo_X;
}

>> 我不需要任何轮班。

 

没问题，谢尔盖，你喜欢什么就用什么。我只想提请你们注意一个小细节。

你当然明白，MO是在任何一行的最大和最小之间。你的代码实际上是指将原点移动到[mo_X, mo_Y]。要做到这一点，你要循环浏览你所有的7200个值。然后你在计算和的时候，从行坐标中减去零点坐标。你不妨把系列中的任何 一点[Xm, Ym]作为原点，进行第二个周期的计算，用[Xm, Ym]代替[mo_X, mo_Y]。

线性回归的 参数A相对于原点转移是不变的。MO与此毫无关系。

你可以在纸上用3分钟检查这个事实。

这就是为什么计算IR的循环是不必要的。我们只需要把X和Y的值带到平仓单。

 
Prival писал (а)>>

如果算法对一个6个数字的数组给出了这样的错误，那么即使有了偏移，也不能保证错误不会累积。

这里的问题不是数字的数量，而是在这6个数字中的每一个都坐着一个永久的（无用的）加法1216600000的事实。它根本不包含任何信息。但它是10位有效数字。让它成为9，最后一个0是没有意义的，因为所有的6个也都存在。 当进行平方时，这些垃圾将阻断尾数的17位有效数字。而且里面只有15个。也就是说，它将倾倒最低位数（倒在马桶里）。同时，正是这些被丢弃的数字包含了必要的信息（它们包含了关于变量成分X的部分信息）。

 

所以这个公式不是我编出来的。这是在书中。从这个使用方块的公式中，可以得出这个公式（没有方块）。只需拿着铅笔坐着。当我到了扫描仪前，我将张贴Tikhonov V.I. "统计无线电工程 "第446页的一页。

 
没错，只要拿着笔坐着，你就会发现，如果你把斜率b的原始公式中的Xi->Xi-X0和Yi->Yi-Y0替换掉，那么这个新公式就等同于原始公式。对于X0和Y0的任何数值。因此，Xi和Yi的和（也就是MO的计算）可以被移到第二个周期内，这就使LR的计算时间减半。为了获得准确性，我们应该选择适当的X0和Y0。而且最好能做到让X系列和Y系列的订单相互接近。
1234567
新评论