우리는 가격을 가져와 10개의 클러스터로 클러스터링하고, 네트워크를 훈련하고, 오류를 확인합니다.
그런 다음 하나의 클러스터를 버리고 열 번째 클러스터를 가정해 보겠습니다. 네트워크를 다시 훈련하고 오류를 확인합니다. 그래서 우리는 흥미로운 것을 찾을 때까지 모든 조합을 분류합니다... 결국, 잘 예측하기 위해 시리즈에서 1,3,9개의 클러스터만 남겨야 한다는 것이 밝혀질 수 있습니다.
우리는 가격을 가져와 10개의 클러스터로 클러스터링하고, 네트워크를 훈련하고, 오류를 확인합니다.
그런 다음 하나의 클러스터를 버리고 열 번째 클러스터를 가정해 보겠습니다. 네트워크를 다시 훈련하고 오류를 확인합니다. 그래서 우리는 흥미로운 것을 찾을 때까지 모든 조합을 분류합니다... 결국, 잘 예측하기 위해 시리즈에서 1,3,9개의 클러스터만 남겨야 한다는 것이 밝혀질 수 있습니다.
차원을 다른 방식으로 줄일 수 있습니다. 의미가 있을 것입니다. 가장 간단한 예. 검은색 얇은 - 가까운 파란색 점 체커의 교차점, 빨간색 - 파란색 점을 사용하여 원래 BP를 복원하려는 원시적인 시도. 복구 방법이 많이 있습니다. "데시메이션 품질"은 예를 들어 복원에 사용되는 기능의 단순성으로 평가할 수 있습니다. 쉬울수록 좋다...
버리지 말고 가져가세요. 그것은 하나의 큰 풀에 다양한 미니 전략을 모으는 것과 같습니다. 그리고 나서 공동 결정을 하거나 각 시트에 고정된 로트를 제공하는 것 중 하나를 지금 하고 있습니다.
mytarmailS :
나뭇잎을 던지는 것은 프로세스를 예측하는 의사 결정 트리의 규칙을 변경하는 것입니다.
이러한 규칙이 변경되는 이유는 무엇입니까? 아니요, 시스템을 위해 예측을 뻔뻔하게 할 수 있는 사람들을 제외하기 때문에 결과에 더 확신이 있는 잎사귀를 선별하는 것뿐입니다. 즉, 하나의 나무에 상황에 대한 해결책이 있을 수는 없지만 수백 가지 다른 나무를 사용하여 선택하면 상황에 대한 해결책이 없을 가능성이 미미합니다.
차원을 다른 방식으로 줄일 수 있습니다. 의미가 있을 것입니다. 가장 간단한 예. 검은색 얇은 - 가까운 파란색 점 체커의 교차점, 빨간색 - 파란색 점을 사용하여 원래 BP를 복원하려는 원시적인 시도. 복구 방법이 많이 있습니다. "데시메이션 품질"은 예를 들어 복원에 사용되는 기능의 단순성으로 평가할 수 있습니다. 쉬울수록 좋다...
흥미로운 주셔서 감사합니다! "얇게 함"과 "회복 기능"에 대한 학명이 있습니까? 그것에 대해 읽는 것이 흥미로울 것입니다.
이러한 규칙이 변경되는 이유는 무엇입니까? 아니요, 시스템을 위해 예측을 뻔뻔하게 할 수 있는 사람들을 제외하기 때문에 결과에 더 확신이 있는 잎사귀를 선별하는 것뿐입니다. 즉, 하나의 나무에 상황에 대한 해결책이 있을 수는 없지만 수백 가지 다른 나무를 사용하여 선택하면 상황에 대한 해결책이 없을 가능성이 미미합니다.
글쎄, 이것은 규칙의 변경, 그것을 비틀지 않는 방법이지만 그것이 어떤 방향으로 변경되었는지는 또 다른 질문입니다.
나는 비둘기가 교차하는 당신의 그림을보고 얼마나 시원하고 자주 가격이 교차로에서 회전하며 반대 방향으로 만 회전하는지)) 군중의 신호에 반대합니다.
그러나 물론 시장 속성의 변동성으로 인해 항상 작동하는 것은 아니므로 적응형 지표가 필요합니다. 그리고 역전을 가능한 한 정확하게 포착하기 위해 실시간 모드에서 마스코트의 "정확한" 기간을 추측하도록 국회를 가르친다면?
목표에 대한 아이디어가 있는 사람과 예측 변수로 사용해야 하는 가격 매개변수
글쎄, 이것은 장르의 고전입니다. 위에서 TS의 최적 속성과 결과를 예측하는 것에 대해 이미 썼습니다(equity\pnl...)
"이마에"인 경우 원칙은 반환 또는 소의 경우와 동일합니다. 각 샘플에 대해 샘플을 "이전" 및 "후"로 나누고 일부 이동 포인트 가격(t), {price (tN),price (t)} 및 target {price(t+1),price(t+K)}를 지정하고 전체 행에 대해 t를 실행합니다. 이 경우 목표는 미래의 어떤 창에서 {price(t+1),price(t+K)}에 있는 매쉬의 최적이 될 것이며, 특징은 기본적으로 스토캐스틱 또는 모멘텀에서 무엇이든 될 수 있습니다. 이전 기간{price(tN),price(t)}에 대한 매시 또는 기타 TS의 최적에 대해 다른 기간.
가격을 낮추는 또 다른 아이디어가 떠올랐다.
우리는 가격을 가져와 10개의 클러스터로 클러스터링하고, 네트워크를 훈련하고, 오류를 확인합니다.
그런 다음 하나의 클러스터를 버리고 열 번째 클러스터를 가정해 보겠습니다. 네트워크를 다시 훈련하고 오류를 확인합니다. 그래서 우리는 흥미로운 것을 찾을 때까지 모든 조합을 분류합니다... 결국, 잘 예측하기 위해 시리즈에서 1,3,9개의 클러스터만 남겨야 한다는 것이 밝혀질 수 있습니다.
가격을 낮추는 또 다른 아이디어가 떠올랐다.
우리는 가격을 가져와 10개의 클러스터로 클러스터링하고, 네트워크를 훈련하고, 오류를 확인합니다.
그런 다음 하나의 클러스터를 버리고 열 번째 클러스터를 가정해 보겠습니다. 네트워크를 다시 훈련하고 오류를 확인합니다. 그래서 우리는 흥미로운 것을 찾을 때까지 모든 조합을 분류합니다... 결국, 잘 예측하기 위해 시리즈에서 1,3,9개의 클러스터만 남겨야 한다는 것이 밝혀질 수 있습니다.
비유는 Alexei처럼 나무에서 잎을 던지는 것입니다.
하지만 문제는 숲 속의 나무 100~200그루보다 늘 한 그루의 나무가 더 나쁩니다.
유추 - Alexei와 같이 나무에서 나뭇잎을 던지는 것
아니 완전히 다른데...
나뭇잎을 던지는 것은 프로세스를 예측하는 의사 결정 트리의 규칙을 변경하는 것입니다.
프로세스 자체를 변경할 것을 제안합니다.
예, 이것은 비꼬는 것이 아니라 그냥 농담입니다)
마법사는 또 4개월의 휴가를 시작하고, 스승은 계속해서 "이미지 올리기" 작업을 한다. 이것은 prikalyuha입니다))) 나는 죽어 가고 있습니다 ...
가격을 낮추는 또 다른 아이디어가 떠올랐다.
차원을 다른 방식으로 줄일 수 있습니다. 의미가 있을 것입니다. 가장 간단한 예. 검은색 얇은 - 가까운 파란색 점
체커의 교차점, 빨간색 - 파란색 점을 사용하여 원래 BP를 복원하려는 원시적인 시도. 복구 방법이 많이 있습니다.
"데시메이션 품질"은 예를 들어 복원에 사용되는 기능의 단순성으로 평가할 수 있습니다. 쉬울수록 좋다...
비유는 Alexei처럼 나무에서 잎을 던지는 것입니다.
하지만 문제는 숲 속의 나무 100~200그루보다 늘 한 그루의 나무가 더 나쁩니다.
버리지 말고 가져가세요. 그것은 하나의 큰 풀에 다양한 미니 전략을 모으는 것과 같습니다. 그리고 나서 공동 결정을 하거나 각 시트에 고정된 로트를 제공하는 것 중 하나를 지금 하고 있습니다.
나뭇잎을 던지는 것은 프로세스를 예측하는 의사 결정 트리의 규칙을 변경하는 것입니다.
이러한 규칙이 변경되는 이유는 무엇입니까? 아니요, 시스템을 위해 예측을 뻔뻔하게 할 수 있는 사람들을 제외하기 때문에 결과에 더 확신이 있는 잎사귀를 선별하는 것뿐입니다. 즉, 하나의 나무에 상황에 대한 해결책이 있을 수는 없지만 수백 가지 다른 나무를 사용하여 선택하면 상황에 대한 해결책이 없을 가능성이 미미합니다.
마법사는 또 4개월의 휴가를 시작하고, 스승은 계속해서 "이미지 올리기" 작업을 한다. 이것은 prikalyuha입니다))) 나는 죽어 가고 있습니다 ...
당신은 이미 3 인칭으로 자신에 대해 이야기하고 있습니다. 이미 완전히 출발했습니다)) 이미지가 순서대로
차원을 다른 방식으로 줄일 수 있습니다. 의미가 있을 것입니다. 가장 간단한 예. 검은색 얇은 - 가까운 파란색 점
체커의 교차점, 빨간색 - 파란색 점을 사용하여 원래 BP를 복원하려는 원시적인 시도. 복구 방법이 많이 있습니다.
"데시메이션 품질"은 예를 들어 복원에 사용되는 기능의 단순성으로 평가할 수 있습니다. 쉬울수록 좋다...
흥미로운 주셔서 감사합니다! "얇게 함"과 "회복 기능"에 대한 학명이 있습니까? 그것에 대해 읽는 것이 흥미로울 것입니다.
이러한 규칙이 변경되는 이유는 무엇입니까? 아니요, 시스템을 위해 예측을 뻔뻔하게 할 수 있는 사람들을 제외하기 때문에 결과에 더 확신이 있는 잎사귀를 선별하는 것뿐입니다. 즉, 하나의 나무에 상황에 대한 해결책이 있을 수는 없지만 수백 가지 다른 나무를 사용하여 선택하면 상황에 대한 해결책이 없을 가능성이 미미합니다.
글쎄, 이것은 규칙의 변경, 그것을 비틀지 않는 방법이지만 그것이 어떤 방향으로 변경되었는지는 또 다른 질문입니다.
나는 비둘기가 교차하는 당신의 그림을보고 얼마나 시원하고 자주 가격이 교차로에서 회전하며 반대 방향으로 만 회전하는지)) 군중의 신호에 반대합니다.
그러나 물론 시장 속성의 변동성으로 인해 항상 작동하는 것은 아니므로 적응형 지표가 필요합니다. 그리고 역전을 가능한 한 정확하게 포착하기 위해 실시간 모드에서 마스코트의 "정확한" 기간을 추측하도록 국회를 가르친다면?
목표에 대한 아이디어가 있는 사람과 예측 변수로 사용해야 하는 가격 매개변수
글쎄, 이것은 장르의 고전입니다. 위에서 TS의 최적 속성과 결과를 예측하는 것에 대해 이미 썼습니다(equity\pnl...)
"이마에"인 경우 원칙은 반환 또는 소의 경우와 동일합니다. 각 샘플에 대해 샘플을 "이전" 및 "후"로 나누고 일부 이동 포인트 가격(t), {price (tN),price (t)} 및 target {price(t+1),price(t+K)}를 지정하고 전체 행에 대해 t를 실행합니다. 이 경우 목표는 미래의 어떤 창에서 {price(t+1),price(t+K)}에 있는 매쉬의 최적이 될 것이며, 특징은 기본적으로 스토캐스틱 또는 모멘텀에서 무엇이든 될 수 있습니다. 이전 기간{price(tN),price(t)}에 대한 매시 또는 기타 TS의 최적에 대해 다른 기간.
어떤 버전의 JPrediction을 사용하고 있습니까?
14처럼 생겼다