모델의 논리, 선택 기준 및 데이터 준비가 핵심 문제이며 아무도 작동 솔루션을 제공하지 않습니다. 나타나면 작동하지 않는 것입니다.
글쎄, 아마 그렇지 않을 것입니다. 수학적 방법이 있고 이전에는 모든 사람이 그 방법을 사용할 수 없었지만 이제는 사용할 수 있습니다. 그러나 보고 선택하고 시도하는 것 이외의 솔루션은 그렇지 않습니다. 최대우도는 물론 방법이지만 주관적이고 분석에 중요한 매개변수 선택의 주관성이 문제입니다.
기능과 응용 프로그램의 논리와 함께 논리, 모델 및 예측자를 논의하는 것이 좋습니다.
그리고 그것은 작동합니다. 아니요, 그것은 중요하지 않습니다. 100%가 아닌 것으로 판명되었습니다. 그리고 하나만으로도 배수하기에 충분합니다.)))) 가장 중요한 것은 손입니다 !!!!! 또는 꼬리
오류 균형(+1 올바른 입력 및 -1 잘못된 입력)을 살펴보거나 이상값을 줄이기 위해 최소한 균형을 정규화해야 한다고 생각합니다.
R은 제가 배우기 매우 어려운 작업이고 MQL처럼 보이지 않으며 프로그래머가 되는 것과는 거리가 멉니다. 예, MQL과 같은 일반적인 도움말은 없습니다.
샘플링 효율성에 관심이 있는 것을 보았습니다. 나는 또한이 주제에 관심이 있습니다. 특히 고장을 나보다 잘 할 수 있는지 이해하고 싶습니다. 나는 예측 변수 값이 비암호화의 유무에 관계없이 선택을 할 수 있으므로 패키지의 효율성을 확인할 수 있습니다. 그가 내 논리적 이산화보다 인공 이산화 후에 더 잘 배울 수 있다면 패키지가 사람보다 더 효율적입니다.
오류 균형(+1 올바른 입력 및 -1 잘못된 입력)을 살펴보거나 이상값을 줄이기 위해 최소한 균형을 정규화해야 한다고 생각합니다.
R은 제가 배우기 매우 어려운 작업이고 MQL처럼 보이지 않으며 프로그래머가 되는 것과는 거리가 멉니다. 예, MQL과 같은 일반적인 도움말은 없습니다.
샘플링 효율성에 관심이 있는 것을 보았습니다. 나는 또한이 주제에 관심이 있습니다. 특히 고장을 나보다 잘 할 수 있는지 이해하고 싶습니다. 나는 예측 변수 값이 비암호화의 유무에 관계없이 선택을 할 수 있으므로 패키지의 효율성을 확인할 수 있습니다. 그가 내 논리적 이산화보다 인공 이산화 후에 더 잘 배울 수 있다면 패키지가 사람보다 더 효율적입니다.
네, 저도 프로그래머가 된 적이 없습니다. 게다가 저는 C#을 배우면서 시작해서 아무것도 이해하지 못하고 포기하고 어떻게든 R을 시도했고 모든 것이 잘 진행되었다고 말할 것입니다. :)
이산화는 확실히 품질의 증가를주지 않을 것이며, 더 빨리 감소가있을 것입니다. 가장 중요한 것은 그다지 많지 않습니다 ..
수천 개의 분할 범위가 있는 숫자 변수를 범주형 변수로 변환하려면 이산화가 필요합니다. 범주형 변수에는 20개 수준만 있습니다.
이것은 반복될 규칙을 생성하기 위해 필요합니다....
왜 이 모든 것이 필요합니까? Forests는 투표의 원칙에 따라 작동하며 출력에서 확률은 트리의 투표 합계이며 알고리즘은 높은 확률을 보여주지만 예측이 좋지 않은 경우가 종종 발생하지만 확률이 높고 예측이 좋기 때문에 특정 순간에 투표에 참여하는 규칙을 구체적으로 알면 말 그대로 정직한 규칙과 소음을 격리 할 수 있습니다 ...
네, 저도 프로그래머가 된 적이 없습니다. 게다가 저는 C#을 배우면서 시작해서 아무것도 이해하지 못하고 포기하고 어떻게든 R을 시도했고 모든 것이 잘 진행되었다고 말할 것입니다. :)
이산화는 확실히 품질의 증가를주지 않을 것이며, 더 빨리 감소가있을 것입니다. 가장 중요한 것은 그다지 많지 않습니다 ..
수천 개의 분할 범위가 있는 숫자 변수를 범주형 변수로 변환하려면 이산화가 필요합니다. 범주형 변수에는 20개 수준만 있습니다.
이것은 반복될 규칙을 생성하기 위해 필요합니다....
왜 이 모든 것이 필요합니까? Forests는 투표의 원칙에 따라 작동하며 출력에서 확률은 트리의 투표 합계이며 알고리즘은 높은 확률을 보여주지만 예측이 좋지 않은 경우가 종종 발생하지만 확률이 높고 예측이 좋기 때문에 특정 순간에 투표에 참여하는 규칙을 구체적으로 알면 말 그대로 정직한 규칙과 소음을 격리 할 수 있습니다 ...
제 경우에는 이산화로 결과가 향상되었으며 예, 예측 변수는 2에서 20 사이의 값으로 거의 모든 범주형에 더 가깝습니다.
실제로 이러한 모델을 평가하기 위해서는 투표에 참여하는 잎사귀들의 활성화 포인트의 유사성을 확인하고, 유사한 샘플링 포인트에서 지속적으로 활성화되는 잎들의 가중치를 제거/결합/감소시키는 것이 필요하다. 이러한 시끄러운 나무는 과도한 메모리로 인해 이야기에 잘 적응할 것입니다.
이상적으로는 각 시트에 의미가 포함되어야 하고 다음 시트는 의미를 추가해야 하지만 동시에 고유한 것을 설명합니다. 예를 들어, 하나는 우리 앞에 공이 있다고 결정하고 다른 하나는 색상을 결정합니다. 특정 유형의 게임에 속하는 공이 분류되는 방식입니다. 쉽게 한.
숲을 트리 인덱스가 있는 잎으로 분해하고 샘플에서 각 잎의 활성화를 확인한 다음 쓰레기를 버립니다.
블라디미르, 예를 들어 분류나 회귀가 아니라 좀 더 모호한 것과 같이 R에서 AMO를 가르칠 수 있는 방법을 알려주세요.
예를 들어 , 거래에서 이익을 극대화 하거나, 예를 들어 일종의 선행 기능 을 합성하려면, 그것이 어떻게 보여야 하고 어떤 값을 취해야 하는지 모르지만 나에게는 중요하지 않습니다. 나는 리드가 무엇인지 설명할 수 있을 뿐이며 AMO가 자신이 만든 리드 기능에서 리드 기준을 최대화하도록 합니다.
이것은 일반적으로 어떻게 수행됩니까? 아니면 순전히 최적화 문제이고 AMO와 관련이 없는 것입니까?
1. 모든 모델에는 하이퍼파라미터 최적화가 필요합니다. 기본 설정을 사용하면 결과가 최상이 아닙니다. 최적화할 때 중요한 기준을 설정하십시오. 문헌의 모든 예에서 이러한 기준은 통계적 메트릭(Acc, F1 등)입니다. 우리의 경우 이러한 기준이 항상 예상되는 거래 결과로 이어지는 것은 아닙니다(이상하게도). 예를 들어, 특정 기간(보통 1주) 동안 막대당 평균 보상을 모델 품질의 지표이자 최적화 기준으로 사용합니다. 최소값(예: 5포인트 4문자)보다 작지 않으면 계속 작업합니다. 떨어지면 새로운 데이터로 모델을 완성합니다. 베이지안 최적화만 가능하며 옵션을 제공합니다.
작업 과정의 모델은 변화하는 시장 상황을 고려하여 지속적으로 훈련되어야 합니다. 엄청난 양의 과거 데이터로 모델을 훈련시킨 다음 재훈련 없이 오랫동안 사용할 수 있다는 것은 큰 착각입니다.
2. 특정 기능을 합성합니다. 어떤 기능인지 모르겠습니다. 이것은 지역에서 온 것입니다. 하세요. 무엇을 하는지 모르겠습니다. 유전 프로그래밍 을 구현하는 여러 패키지가 있습니다. 현재 정확한 이름이 없습니다. 그러나 이것은 매우 어려운 부분입니다. 노력하다
3. 이산화. 이산화의 주요 목적은 예측 변수와 대상의 비율을 가능한 한 선형으로 만드는 것입니다. 이 경우 물론 정보 손실이 있습니다. 그러나 어떤 경우에는 좋은 결과를 제공합니다.
В области искусственного интеллекта , генетическое программирование ( ГП ) представляет собой метод , посредством которого компьютерные программы кодируются в виде набора генов, которые затем модифицированных (эволюционировали) с использованием эволюционного алгоритма (часто генетический алгоритм , «GA») - это применение ( например...
네! 그냥 그렇게 그리고 아무것도
나는 동의하지 않지만 아무 것도 부과하지 않을 것입니다 ...
나는 동의하지 않지만 아무 것도 부과하지 않을 것입니다 ...
시각적으로 다른 악기에서 3일 동안 가능합니다. 어쨌든 우리는 먼저 시리즈를 검토하고 결론을 내립니다. 그리고 실생활에서 손실을 수정하는 것보다 테스트에서 알아내는 것이 항상 낫습니다)
감정없이 테스트하는 것이 좋습니다))) 거래하려면 더욱 그렇습니다)))))))
솔직히 말해서 예측 변수의 주제는 공개되지 않습니다. 모델의 논리, 언제 적용해야 하는지, 선택 기준은 무엇입니까?
결과에 대한 데이터 준비 방법에 대한 권장 사항은 관련이 없습니다. 그것 없이 시작하지 않아도
모델의 논리, 선택 기준 및 데이터 준비가 핵심 문제이며 아무도 작동 솔루션을 제공하지 않습니다. 나타나면 작동하지 않는 것입니다.
그것이 인간으로서 좋은지 아닌지는 중요하지 않습니다. 이것이 우리가 앉아 있는 주제의 규칙이라는 것을 인정해야 합니다.
감정없이 테스트하는 것이 좋습니다))) 거래하려면 더욱 그렇습니다)))))))
솔직히 말해서 예측 변수의 주제는 공개되지 않습니다. 모델의 논리, 언제 적용해야 하는지, 선택 기준은 무엇입니까?
결과에 대한 데이터 준비 방법에 대한 권장 사항은 관련이 없습니다. 그것 없이 시작하지 않아도
여기에는 공개되지 않았으며 불행히도 현재 상태입니다. 작업과 결론, 결과 비교를 제외하고 특정 시리즈에 어떤 모델이 더 나은지 결정하는 방법)
모델의 논리, 선택 기준 및 데이터 준비가 핵심 문제이며 아무도 작동 솔루션을 제공하지 않습니다. 나타나면 작동하지 않는 것입니다.
글쎄, 아마 그렇지 않을 것입니다. 수학적 방법이 있고 이전에는 모든 사람이 그 방법을 사용할 수 없었지만 이제는 사용할 수 있습니다. 그러나 보고 선택하고 시도하는 것 이외의 솔루션은 그렇지 않습니다. 최대우도는 물론 방법이지만 주관적이고 분석에 중요한 매개변수 선택의 주관성이 문제입니다.
기능과 응용 프로그램의 논리와 함께 논리, 모델 및 예측자를 논의하는 것이 좋습니다.
그리고 그것은 작동합니다. 아니요, 그것은 중요하지 않습니다. 100%가 아닌 것으로 판명되었습니다. 그리고 하나만으로도 배수하기에 충분합니다.)))) 가장 중요한 것은 손입니다 !!!!! 또는 꼬리
제발...
절대적으로 200 또는 300입니다.
균형에 ZZ? 어떤 밴드에 관심이 있는지 알려주세요
아니면 약간의 R을 배울 수 있습니까? ;)
5줄의 코드로 원하는 것을 얻었습니다.
오류 균형(+1 올바른 입력 및 -1 잘못된 입력)을 살펴보거나 이상값을 줄이기 위해 최소한 균형을 정규화해야 한다고 생각합니다.
R은 제가 배우기 매우 어려운 작업이고 MQL처럼 보이지 않으며 프로그래머가 되는 것과는 거리가 멉니다. 예, MQL과 같은 일반적인 도움말은 없습니다.
샘플링 효율성에 관심이 있는 것을 보았습니다. 나는 또한이 주제에 관심이 있습니다. 특히 고장을 나보다 잘 할 수 있는지 이해하고 싶습니다. 나는 예측 변수 값이 비암호화의 유무에 관계없이 선택을 할 수 있으므로 패키지의 효율성을 확인할 수 있습니다. 그가 내 논리적 이산화보다 인공 이산화 후에 더 잘 배울 수 있다면 패키지가 사람보다 더 효율적입니다.
오류 균형(+1 올바른 입력 및 -1 잘못된 입력)을 살펴보거나 이상값을 줄이기 위해 최소한 균형을 정규화해야 한다고 생각합니다.
R은 제가 배우기 매우 어려운 작업이고 MQL처럼 보이지 않으며 프로그래머가 되는 것과는 거리가 멉니다. 예, MQL과 같은 일반적인 도움말은 없습니다.
샘플링 효율성에 관심이 있는 것을 보았습니다. 나는 또한이 주제에 관심이 있습니다. 특히 고장을 나보다 잘 할 수 있는지 이해하고 싶습니다. 나는 예측 변수 값이 비암호화의 유무에 관계없이 선택을 할 수 있으므로 패키지의 효율성을 확인할 수 있습니다. 그가 내 논리적 이산화보다 인공 이산화 후에 더 잘 배울 수 있다면 패키지가 사람보다 더 효율적입니다.
네, 저도 프로그래머가 된 적이 없습니다. 게다가 저는 C#을 배우면서 시작해서 아무것도 이해하지 못하고 포기하고 어떻게든 R을 시도했고 모든 것이 잘 진행되었다고 말할 것입니다. :)
이산화는 확실히 품질의 증가를주지 않을 것이며, 더 빨리 감소가있을 것입니다. 가장 중요한 것은 그다지 많지 않습니다 ..
수천 개의 분할 범위가 있는 숫자 변수를 범주형 변수로 변환하려면 이산화가 필요합니다. 범주형 변수에는 20개 수준만 있습니다.
이것은 반복될 규칙을 생성하기 위해 필요합니다....
왜 이 모든 것이 필요합니까? Forests는 투표의 원칙에 따라 작동하며 출력에서 확률은 트리의 투표 합계이며 알고리즘은 높은 확률을 보여주지만 예측이 좋지 않은 경우가 종종 발생하지만 확률이 높고 예측이 좋기 때문에 특정 순간에 투표에 참여하는 규칙을 구체적으로 알면 말 그대로 정직한 규칙과 소음을 격리 할 수 있습니다 ...
네, 저도 프로그래머가 된 적이 없습니다. 게다가 저는 C#을 배우면서 시작해서 아무것도 이해하지 못하고 포기하고 어떻게든 R을 시도했고 모든 것이 잘 진행되었다고 말할 것입니다. :)
이산화는 확실히 품질의 증가를주지 않을 것이며, 더 빨리 감소가있을 것입니다. 가장 중요한 것은 그다지 많지 않습니다 ..
수천 개의 분할 범위가 있는 숫자 변수를 범주형 변수로 변환하려면 이산화가 필요합니다. 범주형 변수에는 20개 수준만 있습니다.
이것은 반복될 규칙을 생성하기 위해 필요합니다....
왜 이 모든 것이 필요합니까? Forests는 투표의 원칙에 따라 작동하며 출력에서 확률은 트리의 투표 합계이며 알고리즘은 높은 확률을 보여주지만 예측이 좋지 않은 경우가 종종 발생하지만 확률이 높고 예측이 좋기 때문에 특정 순간에 투표에 참여하는 규칙을 구체적으로 알면 말 그대로 정직한 규칙과 소음을 격리 할 수 있습니다 ...
제 경우에는 이산화로 결과가 향상되었으며 예, 예측 변수는 2에서 20 사이의 값으로 거의 모든 범주형에 더 가깝습니다.
실제로 이러한 모델을 평가하기 위해서는 투표에 참여하는 잎사귀들의 활성화 포인트의 유사성을 확인하고, 유사한 샘플링 포인트에서 지속적으로 활성화되는 잎들의 가중치를 제거/결합/감소시키는 것이 필요하다. 이러한 시끄러운 나무는 과도한 메모리로 인해 이야기에 잘 적응할 것입니다.
이상적으로는 각 시트에 의미가 포함되어야 하고 다음 시트는 의미를 추가해야 하지만 동시에 고유한 것을 설명합니다. 예를 들어, 하나는 우리 앞에 공이 있다고 결정하고 다른 하나는 색상을 결정합니다. 특정 유형의 게임에 속하는 공이 분류되는 방식입니다. 쉽게 한.
숲을 트리 인덱스가 있는 잎으로 분해하고 샘플에서 각 잎의 활성화를 확인한 다음 쓰레기를 버립니다.블라디미르, 예를 들어 분류나 회귀가 아니라 좀 더 모호한 것과 같이 R에서 AMO를 가르칠 수 있는 방법을 알려주세요.
예를 들어 , 거래에서 이익을 극대화 하거나, 예를 들어 일종의 선행 기능 을 합성하려면, 그것이 어떻게 보여야 하고 어떤 값을 취해야 하는지 모르지만 나에게는 중요하지 않습니다. 나는 리드가 무엇인지 설명할 수 있을 뿐이며 AMO가 자신이 만든 리드 기능에서 리드 기준을 최대화하도록 합니다.
이것은 일반적으로 어떻게 수행됩니까? 아니면 순전히 최적화 문제이고 AMO와 관련이 없는 것입니까?
1. 모든 모델에는 하이퍼파라미터 최적화가 필요합니다. 기본 설정을 사용하면 결과가 최상이 아닙니다. 최적화할 때 중요한 기준을 설정하십시오. 문헌의 모든 예에서 이러한 기준은 통계적 메트릭(Acc, F1 등)입니다. 우리의 경우 이러한 기준이 항상 예상되는 거래 결과로 이어지는 것은 아닙니다(이상하게도). 예를 들어, 특정 기간(보통 1주) 동안 막대당 평균 보상을 모델 품질의 지표이자 최적화 기준으로 사용합니다. 최소값(예: 5포인트 4문자)보다 작지 않으면 계속 작업합니다. 떨어지면 새로운 데이터로 모델을 완성합니다. 베이지안 최적화만 가능하며 옵션을 제공합니다.
작업 과정의 모델은 변화하는 시장 상황을 고려하여 지속적으로 훈련되어야 합니다. 엄청난 양의 과거 데이터로 모델을 훈련시킨 다음 재훈련 없이 오랫동안 사용할 수 있다는 것은 큰 착각입니다.
2. 특정 기능을 합성합니다. 어떤 기능인지 모르겠습니다. 이것은 지역에서 온 것입니다. 하세요. 무엇을 하는지 모르겠습니다. 유전 프로그래밍 을 구현하는 여러 패키지가 있습니다. 현재 정확한 이름이 없습니다. 그러나 이것은 매우 어려운 부분입니다. 노력하다
3. 이산화. 이산화의 주요 목적은 예측 변수와 대상의 비율을 가능한 한 선형으로 만드는 것입니다. 이 경우 물론 정보 손실이 있습니다. 그러나 어떤 경우에는 좋은 결과를 제공합니다.
행운을 빕니다