def polynomial_kernel(x, y, p=3):
return (1 + np.dot(x, y)) ** p
# Gram matrix
K = np.zeros((n_samples, n_samples))
for i in range(n_samples):
for j in range(n_samples):
K[i,j] = self.kernel(X[i], X[j]) ??? Gram matrix 'K' is simmetrical. What we must do next, dont understand the code below
P = cvxopt.matrix(np.outer(y,y) * K)
q = cvxopt.matrix(np.ones(n_samples) * -1)
A = cvxopt.matrix(y, (1,n_samples))
b = cvxopt.matrix(0.0)
嗯，这就是事情的真相。任何插值多项式都不适合用于外推法。傅里叶与原始序列完全相同，而拉格朗日或泰勒等多项式产生了雪崩式的曲线，价格变化率越来越大。平滑化可以舒缓画面，但幅度不大，而且不对，因为它失去了与原始资料的联系。
有一种简单、明确和有效的外推法，它与内插法没有关系。趋势。
你从阅读的压力中恢复得很慢，就像以前的读者一样，这是一个不同的话题，可以在这里讨论
你和以前的读者一样，从阅读的压力中恢复得很慢，现在已经离题了
是的，这里已经离题了。
嗨，马克西姆。
几天前，你在寻找n个输入矢量而不是2个输入矢量的内核解决方案。你是否已经找到了这个解决方案，或者试图实施一些其他的方法？
如果我没有错的话，那么你要找的不是K（x，y），其中K是核函数，而是 K（x1，x2，x3，...，xn）的输出。我的理解是否正确？
我所了解到的是，函数的内核是标量值。所以它应该是所有点积的总和。它应该是这样的。
K (x1, x2, x3, ... xn) = 所有z的总和 (i)。Z (i + 1) 为所有i，其中0 <i < n
它可以为MQL5中的一个循环，其内核函数的所有函数之和。
我没有办法测试它。但你是否尝试过类似的东西并进行过测试？还是我在这里的理解上有遗漏？
嗨，马克西姆。
几天前，你在寻找n个输入矢量而不是2个输入矢量的内核解决方案。你是否已经找到了这个解决方案，或者试图实施一些其他的方法？
如果我没有错的话，那么你要找的不是K（x，y），其中K是核函数，而是 K（x1，x2，x3，...，xn）的输出。我的理解是否正确？
我所了解到的是，函数的内核是标量值。所以它应该是所有点积的总和。它应该是这样的。
K (x1, x2, x3, ... xn) = 所有z的总和 (i)。Z (i + 1) 为所有i，其中0 <i < n
它可以为MQL5中的一个循环，其内核函数的所有函数之和。
我没有办法测试它。但你是否尝试过类似的东西并进行过测试？还是我在这里的理解上有遗漏？
你好，其实我现在不知道怎么做，因为这些算法（如SVM或高斯过程）只对内积起作用，不对特征映射起作用。我现在正在寻求一个好的想法，如何做得更好？
你好，其实我现在也不知道怎么做，因为那些算法（如SVM或高斯过程）只对内积起作用，不对特征映射起作用。我现在正在寻求如何做得更好的一个好办法。
根据我的理解，核心技巧是SVM算法的一个子集，所以你的意思是你不再寻求实现核心技巧？
你所说的特征映射是以点积或内核诀窍中的高空间多项式的内积表示的，因此在我的理解中，它只是内核函数 的简单乘法。
为了弄清楚，在K(x,y)中，你是否打算使用两个连续蜡烛的收盘价作为x和y来获得内核，或者你想实现其他的东西？
根据我的理解，核心技巧是SVM算法的一个子集，所以你的意思是你不再寻求实现核心技巧？
你所说的特征映射是以点积或内核诀窍中的高空间多项式的内积来表示的，因此在我的理解中，它只是内核函数 的简单乘法。
为了弄清楚，在K(x,y)中，你是否打算使用两个连续蜡烛的收盘价作为x和y来获得内核，或者你想实现其他的东西？
我的意思是，我不明白如何在乘法后改变输入向量，那么它们是绝对相等的。它说需要使用格拉姆矩阵来放置向量（特征映射），然后用它进行一些操作。以下是带有SVM的示例代码
https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/
现在我只是在学习矢量空间来理解它
如果我们去en论坛，也许会更好一些 )
我的意思是，我不明白如何在乘法后改变输入向量，那么它们是绝对相等的。它说需要使用格拉姆矩阵来放置向量（特征映射），然后用它进行一些操作。以下是带有SVM的示例代码
https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/
现在我只是在学习矢量空间来理解它
如果我们去en论坛，也许会更好一些 )
当然，参考材料在其他论坛中给出，在视频中解决了格拉姆矩阵的问题。我也在努力理解它。
另外，你是否已经理解并在MQL5中执行到现在？否则，就没有必要 进一步尝试了:)
当然，参考材料在其他论坛中给出，在视频中解决了格拉姆矩阵的问题。我也在努力理解它。这里只是另一个针对克氏矩阵的快速视频参考。
https://www.youtube.com/watch?v=8JiMUqbByGA
另外，你是否已经理解并在MQL5中执行到现在？否则，就没有必要进一步尝试了:)
它是一个简单的循环，计算出克氏矩阵...但后来工作中的二次解法，我不知道是为了什么......或者它只是SVM逻辑而已 :)
谢谢你的视频
它是一个简单的循环，计算出克氏矩阵...但后来工作中的二次解法，我不知道是为了什么......或者它只是SVM逻辑而已 :)
谢谢你的视频
没错......正如我所说的，可能只需在MQL5中使用for循环就可以实现。
好吧，只要我们的最终目标得以实现，我们就不需要为其他东西而烦恼。）
我的意思是，只要我们能在Mql5中接受输入，并按预期得到内核 的输出，那么其他东西就不重要了。因为无论如何，最后的部分将是测试部分，在那里，一切都将根据结果揭示它是否被正确实施。
顺便说一下，SVM只是一种分类器技术，由于有简单的点积，内核技巧使它变得简单。我不认为SVM的一切都需要在内核技巧中实现，因为在内核技巧中，一切都由函数本身完成，因此，没有什么可做的。
此外，这段视频还详细解释了SVM，以及使用内核技巧的python示例代码。你可以看一下。
https://www.youtube.com/watch?v=N1vOgolbjSc&t=157s
但我不知道现在如何处理格拉姆矩阵，因为这不是一个新的转换特征，它只是一个带有旧特征的标量积 的矩阵。