elibrarius: Probieren Sie es aus. Es wird nicht lange dauern. Wäre es nicht interessant, dies in einem Experiment zu testen? Breiman hat es in seinem Zufallswald nicht gemacht.
Es wird interessant sein, das Ergebnis zu sehen. Ich denke, wir können den Test in zwei Hälften teilen, eine Hälfte für den Test und eine für die Prüfung. Oder ein paar Jahre hinzufügen.
elibrarius: Es wird interessant sein, das Ergebnis zu sehen. Ich denke, wir können den Test in zwei Hälften teilen, eine Hälfte für den Test und die andere Hälfte für die Prüfung. Oder ein paar Jahre hinzufügen.
Ich habe so etwas schon einmal gemacht, ein Glas Holz. Es hat aber nichts Großartiges bewirkt.
Das bezweifle ich auch in diesem Fall. Aber ich werde es später überprüfen.
Ich stimme zu, im Wald zunächst durchschnittlich die besten Ergebnisse. Aber es schadet nicht zu überprüfen)
Nein, alle von ihnen.
Und es ist ein zufälliger Wald genannt, weil alle zufälligen Bäume summiert werden. Für die beste würde nicht genannt werden zufällige Wald, sondern beste Wald. )))
Und er heißt Zufallswald, weil sich alle Zufallsbäume addieren. Denn der beste würde als bester Wald bezeichnet werden, nicht als Zufallswald. )))
Offenbar haben wir unterschiedliche Vorstellungen von Random-Boosting. Beim Entscheidungsbaum geht es um ausgewählte Merkmale aus einer Zufallsmenge. Der Punkt ist, dass die Mengen zufällig sind, aber die Auswahl / Clustering in schlechte gute war ursprünglich da. Es ist wie das Werfen einer Nadel, das Messen von Winkeln und die Berechnung der Zahl Pi)
aus dem Wiki.
Wir erstellen einenEntscheidungsbaum, der die Stichproben der gegebenen Teilstichprobe klassifiziert, und bei der Erstellung des nächsten Knotens des Baums wählen wir eine Reihe von Merkmalen aus, auf deren Grundlage die Partitionierung durchgeführt wird (nicht aus allenM Merkmalen , sondern nur ausm zufällig ausgewählten). Die Auswahl der besten dieserm Merkmale kann auf verschiedene Weise erfolgen. Der ursprüngliche Breiman-Code verwendet dasGini-Kriterium, das auch imCART-Entscheidungsbaum-Algorithmus verwendet wird. Einige Implementierungen des Algorithmus verwenden stattdessen dasKriterium des Informationsgewinns. [3]
Offenbar haben wir unterschiedliche Vorstellungen vom Zufallsbousting. Beim Decisive Tree geht es um ausgewählte Merkmale aus einer zufälligen Menge. Der Punkt ist, dass die Mengen zufällig sind, aber die Auswahl / Clustering in schlechte gute war ursprünglich da. Es ist, als würde man eine Nadel werfen, Winkel messen und die Zahl Pi berechnen.)
aus dem Wiki
Erstellen wir einenEntscheidungsbaum, der die Proben der gegebenen Teilstichprobe klassifiziert, und wählen wir bei der Erstellung des nächsten Knotens des Baums eine Reihe von Merkmalen aus, auf deren Grundlage die Partitionierung durchgeführt wird (nicht aus allenM Merkmalen , sondern nur ausm zufällig ausgewählten). Die Auswahl der besten dieserm Merkmale kann auf verschiedene Weise erfolgen. Der ursprüngliche Breiman-Code verwendet dasGini-Kriterium, das auch imCART-Entscheidungsbaum-Algorithmus verwendet wird. Einige Implementierungen des Algorithmus verwenden stattdessen dasKriterium des Informationsgewinns. [3]
Ja, es gibt viele Bäume, aber jeder einzelne versucht, am besten auf verschiedenen Merkmalen zu lernen. Dies ist nicht dasselbe wie die Kombination mehrerer Forests (einschließlich schlechter Forests).
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Erlauben Sie die Verwendung von Cookies, um sich auf der Website MQL5.com anzumelden.
Bitte aktivieren Sie die notwendige Einstellung in Ihrem Browser, da Sie sich sonst nicht einloggen können.
Sie sind angemeldet. Die Zwei-Faktor-Authentifizierung wurde deaktiviert. Richten Sie sie erneut ein und scannen Sie einen neuen QR-Code oder fahren Sie mit deaktivierter Zwei-Faktor-Authentifizierung fort.
In diesem Notizbuch gibt nur dieser Codeblock einen Fehler
pr = get_prices(look_back=LOOK_BACK)
pr = add_labels(pr, 10, 25)
rep = tester(pr, MARKUP)
plt.plot(rep)
plt.show()
ValueError: Ein Rahmen ohne definierten Index und einen Wert, der nicht in eine Serie umgewandelt werden kann, kann nicht gesetzt werden .
Was kann der Grund dafür sein?
In diesem Notizbuch gibt nur dieser Codeblock einen Fehler
pr = get_prices(look_back=LOOK_BACK)
pr = add_labels(pr, 10, 25)
rep = tester(pr, MARKUP)
plt.plot(rep)
plt.show()
ValueError: Kann keinen Rahmen ohne definierten Index und einen Wert, der nicht in eine Serie umgewandelt werden kann, setzen
Was kann der Grund dafür sein?
Datenrahmen ist leer
Prüfen Sie, ob die Anführungszeichen empfangen werden oder nicht
Probieren Sie es aus. Es wird nicht lange dauern. Wäre es nicht interessant, dies in einem Experiment zu testen? Breiman hat es in seinem Zufallswald nicht gemacht.
Es ist langsam. Ich werde es später versuchen.
Es ist langsam. Ich werde es später versuchen.
Datenrahmen leer
prüfen, ob Angebote eingegangen sind oder nicht
das stimmt, ich habe nicht darauf geachtet, dass der Broker ein "m" am Ende des Eurobucks-Paares hat - EURUSDm.
Es wird interessant sein, das Ergebnis zu sehen. Ich denke, wir können den Test in zwei Hälften teilen, eine Hälfte für den Test und die andere Hälfte für die Prüfung. Oder ein paar Jahre hinzufügen.
Ich habe so etwas schon einmal gemacht, ein Glas Holz. Es hat aber nichts Großartiges bewirkt.
Das bezweifle ich auch in diesem Fall. Aber ich werde es später überprüfen.
Ich habe so etwas schon einmal gemacht, ein Glas Holz. In der Tat, es hat nichts Wunderbares gegeben.
Ich bezweifle es auch in diesem Fall. Aber ich werde es später überprüfen.
Ich stimme zu, im Wald zunächst durchschnittlich die besten Ergebnisse. Aber es schadet nicht, zu überprüfen)
Ich stimme zu, im Wald zunächst durchschnittlich die besten Ergebnisse. Aber es schadet nicht zu überprüfen)
Nein, alle von ihnen.
Und es ist ein zufälliger Wald genannt, weil alle zufälligen Bäume summiert werden.
Für die beste würde nicht genannt werden zufällige Wald, sondern beste Wald. )))
Nein, alle von ihnen.
Und er heißt Zufallswald, weil sich alle Zufallsbäume addieren.
Denn der beste würde als bester Wald bezeichnet werden, nicht als Zufallswald. )))
Offenbar haben wir unterschiedliche Vorstellungen von Random-Boosting. Beim Entscheidungsbaum geht es um ausgewählte Merkmale aus einer Zufallsmenge. Der Punkt ist, dass die Mengen zufällig sind, aber die Auswahl / Clustering in schlechte gute war ursprünglich da. Es ist wie das Werfen einer Nadel, das Messen von Winkeln und die Berechnung der Zahl Pi)
aus dem Wiki.
Offenbar haben wir unterschiedliche Vorstellungen vom Zufallsbousting. Beim Decisive Tree geht es um ausgewählte Merkmale aus einer zufälligen Menge. Der Punkt ist, dass die Mengen zufällig sind, aber die Auswahl / Clustering in schlechte gute war ursprünglich da. Es ist, als würde man eine Nadel werfen, Winkel messen und die Zahl Pi berechnen.)
aus dem Wiki
Ja, es gibt viele Bäume, aber jeder einzelne versucht, am besten auf verschiedenen Merkmalen zu lernen. Dies ist nicht dasselbe wie die Kombination mehrerer Forests (einschließlich schlechter Forests).