좋아, 나는 시도할 것이다...하지만 나는 이 코드에 대해서도 100가지 다른 질문을 할 것이고 당신은 대답할 준비가 되어 있어야 한다 :))...
그것이 완전히 당신의 접근 방식이라는 것을 이해해야 하기 때문에 이전 코드에 대한 링크가 없는 다른 방식으로 코딩하려고 하므로 당신이 하려는 것을 정확히 이해할 때까지 이해할 방법이 없습니다. 이 버전에서는..그래서 이해하는데 시간이 좀 더 걸리고 GMDH로의 브릿지를 만들어 보도록 하겠습니다..
이를 위해서는 먼저 모든 기능에 대해 개별적으로 RDF를 학습해야 합니다. 이해가 되셨나요?
GDMH의 유전자 선택이란 무엇을 의미합니까?
GMDH에 대한 나의 지식으로는 모든 기능 또는 입력 세트에 대해 모든 입력이 기능 조각으로 분할된 합계로 하나의 출력을 제공합니다. 따라서 하나의 기능을 제공하면 하나의 출력을 얻을 수 있으며 100개의 기능을 제공하더라도 이전의 모든 기능의 깨진 조각을 합한 것으로만 하나의 출력을 얻을 수 있으며 그게 GMDH입니다.
1. 하나의 기능만 입력으로 제공하면 하나의 출력=feature1*weight1이 제공됩니다.
또는
2. 하나의 기능과 모든 이전 기능(RDF의 새로운 기능 또는 훈련된 기능)을 제공하면 현재 기능을 새 output=feature1*w1+feature2*w2+feature3*w3+....m 구성 요소로 변환합니다. 기본 기능 의
따라서 여기에서 새 기능을 변환하고 RDF에서 훈련된 기능을 저장할 배열을 만든 다음 "CalculateNeuron(ker,degree)" 함수에 전달합니다. 하지만 여기에 배열 요소를 하나 더 전달해야 합니다. 기능.
선택의 첫 번째 줄은 이제 완전히 정확합니다. 두 번째 줄 우리는 모든 최상의 변수를 루프에서 서로 결합하고 각 기능 조합으로 RDF를 학습해야 합니다. 또한 여기에서 다른 다항식 변환을 적용할 수 있습니다.
이것이 내가 보는 방법입니다
이것을 구현하기 위해 첫 번째 코드를 이해하는 데 많은 시간이 걸렸습니다. :))).. 이제 다른 코드를 제공하지 마십시오. :)))
종가와 같은 기능을 변환하고 싶을 때마다 새 가격 데이터 또는 매트릭스의 오래된 훈련 데이터에서 변수로 수집해야 합니다. 그렇게 해야 합니다. :)))
그런 다음 변수를 사용하여 " CalculateNeuron(ker,degree) " 함수 를 호출한 다음 새 기능을 얻으면 Matrix 또는 원하는 대로 업데이트하십시오. :))
내 말은 GMDH를 사용한 기능 변환의 전체 작업은 내가 제대로 이해하는 함수 내에서 수행된다는 것을 의미합니다...이제 값을 공급하고 선택한 값을 검색하는 방법...)))))
글쎄요, 시간을 더 주세요 .. 아직 아무것도 이해하지 못하지만 모두 좋습니다 :)
여기 너무 많은 조합
그러나 출력 시 모든 것이 명확해야 합니다. 선택한 기능과 공식이 포함된 n차원 배열일 뿐입니다.글쎄, 당신이 이미 당신의 이전 코드를 이해했다면(지금까지는 조금 이해했습니다 :)).. 2분이면 충분합니다 :))... 왜냐하면 저는 여기서 아무 것도 하지 않기 때문입니다. 이전 코드 및 GMDH로 교체 :))
하지만 다른 방법을 원하신다면... 시간을 내셔도 됩니다. :)))
물론 GMDH 구현에 대해 보장할 수는 없습니다. :))... 그리고 라이브 거래 모드에서 최종 EA를 실행하기 전까지는 아무 것도 알 수 없습니다:)))..백테스팅 결과도 없는 것 같습니다. 믿을만하다...
따라서 자신의 방법을 시도하거나 구현하기 위해 "(CalculateNeuron(ker,degree)"에 대한 코드가 필요한 경우 알려주십시오.
그것이 작동한다면 기본 구성 요소를 20 또는 30으로 확장할 수도 있습니다... 그리고 훈련 중에 느릴 수 있고 여러 for 루프로 인해 거래가 느릴 수 있습니다. 그러나 하나의 값만 확인하기 때문에 한 번에 정도이므로 평균 속도를 기대할 수 있습니다.
당신을 위해, 아마도 당신은 그것을 이해할 것입니다
좋아, 나는 시도할 것이다...하지만 나는 이 코드에 대해서도 100가지 다른 질문을 할 것이고 당신은 대답할 준비가 되어 있어야 한다 :))...
그것이 완전히 당신의 접근 방식이라는 것을 이해해야 하기 때문에 이전 코드에 대한 링크가 없는 다른 방식으로 코딩하려고 하므로 당신이 하려는 것을 정확히 이해할 때까지 이해할 방법이 없습니다. 이 버전에서는..그래서 이해하는데 시간이 좀 더 걸리고 GMDH로의 브릿지를 만들어 보도록 하겠습니다..
우리는 gdmh에 대한 유전자 선택을 사용합니다
이를 위해서는 먼저 모든 기능에 대해 개별적으로 RDF를 학습해야 합니다. 이해가 되셨나요?
GDMH의 유전자 선택이란 무엇을 의미합니까?
GMDH에 대한 나의 지식으로는 모든 기능 또는 입력 세트에 대해 모든 입력이 기능 조각으로 분할된 합계로 하나의 출력을 제공합니다. 따라서 하나의 기능을 제공하면 하나의 출력을 얻을 수 있으며 100개의 기능을 제공하더라도 이전의 모든 기능의 깨진 조각을 합한 것으로만 하나의 출력을 얻을 수 있으며 그게 GMDH입니다.
1. 하나의 기능만 입력으로 제공하면 하나의 출력=feature1*weight1이 제공됩니다.
또는
2. 하나의 기능과 모든 이전 기능(RDF의 새로운 기능 또는 훈련된 기능)을 제공하면 현재 기능을 새 output=feature1*w1+feature2*w2+feature3*w3+....m 구성 요소로 변환합니다. 기본 기능 의
따라서 여기에서 새 기능을 변환하고 RDF에서 훈련된 기능을 저장할 배열을 만든 다음 "CalculateNeuron(ker,degree)" 함수에 전달합니다. 하지만 여기에 배열 요소를 하나 더 전달해야 합니다. 기능.
gmdh 보기의 구성표를 제공할 수 있습니까? 단계별로
언젠간 주세요. GMDH 라이브러리와 이전 코드를 사용하여 구현된 EA의 전체 소스 코드를 제공하겠습니다...지금 찾고 있는 중입니다. :)))
나는 "MO"의 도움으로 여기에서 모든 수준을 선택하고 있습니다(해당 MO는 주장된 반동의 수준을 찾고 있음). 때로는 신호가 나쁘지 않습니다.
그리고 추세를 따라 시스템이 미쳐가는 일이 발생합니다.
====================
이유를 아는 사람이 있습니까? 필터링하는 방법? 이 일을 해본 사람이 있습니까 아니면 필드의 유일한 전사입니까?
선형 솔버를 사용하지 않기 때문에 예측 변수를 '+'로 요약할 필요가 없습니다. 대신, 단계적으로 새로운 입력을 추가하여 기능 번호와 그 조합을 늘립니다.
getetic은 모든 예측자가 아니라 변환의 모든 단계에서 최상의 예측자를 사용하여 작업한다는 것을 의미합니다. 그래서 우리는 모든 단계에서 오직 n개의 최상만을 선택합니다.
문제 없습니다. 동적 배열을 만들고 모든 단계에서 해당 배열 요소를 "Neuron function()" 함수 에 대한 입력으로 전달하지만 이 함수에 입력을 하나 더 추가해야 합니다.
나는 당신이 종가를 복사하는 "Calsignal()"의 입력을 사용하고 있습니다...그래서 그 대신에 RDF 훈련 완료의 모든 단계에서 배열 요소를 추가한 다음 배열을 해제합니다. 얻었습니까?
다음 포스트에 코드를 붙여넣겠습니다. 글을 복사 후 삭제해주세요.
GMDHEA:
선형 솔버를 사용하지 않기 때문에 예측 변수를 '+'로 요약할 필요가 없습니다. 그 대신에 새로운 입력을 단계적으로 추가하여 기능 번호와 그 조합을 늘립니다.
getetic은 모든 예측자가 아니라 변환의 모든 단계에서 최상의 예측자를 사용하여 작업한다는 것을 의미합니다. 그래서 우리는 모든 단계에서 오직 n개의 최상만을 선택합니다.
코드를 복사하여 알려주세요...코드를 삭제하겠습니다.