Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2743
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
zusätzlich zu Maxim Dmitrievsky .
Genau das meine ich:
um eine Klassifizierung vorzunehmen, sollte man sie nicht einfach nach oben/unten durchführen, sondern zuerst zumindest eine Clusteranalyse durchführen, um zu bestimmen, wie viele Klassen man formal zuordnen sollte (wie man sie nennt, ist eine Frage des subjektiven Geschmacks)...
und erst dann Diskriminanzfunktionen bestimmen, auf deren Grundlage man die Proben dieser oder jener Klasse zuordnen.... dann wird die Klassifizierung mit einem normalen Prozentsatz an Genauigkeit erfolgen - wenn wir wissen, dass die Klassen, in die wir einteilen, wirklich existieren...
PCA ist nur eine Variante der Faktorenanalyse zur Auswahl orthogonaler Merkmale, aber sie erklärt ALLE Varianz, ohne die Hauptfaktoren auszuwählen,
weil die Hauptkomponenten nur die Rohdaten sind, die in Eigenvektorkoeffizienten ("Ladungen") umgewandelt werden, die, wenn sie mit den Rohdaten multipliziert werden, pc_scores ergeben... (so etwas in der Art - ich habe es mir vor langer Zeit gemerkt - die Hauptkomponenten sind nur die Rohdaten, die in Eigenvektorkoeffizienten ("Ladungen") umgewandelt werden, die, wenn sie mit den Rohdaten multipliziert werden, pc_scores ergeben... (oder so ähnlich - habe den Algorithmus schon lange vergessen)
- aber letztendlich erklärt die PCA ALLE Varianzen, ohne fs... Im Gegensatz dazu verwendet die Hauptfaktorenanalyse "nur die Varianz der Variablen, die auch anderen Variablen gemeinsam ist"... (Ich bestehe nicht darauf, dass dies die beste fs ist - aber es gibt überall Nuancen)
im Allgemeinen FS kann niemand richtig machen, und versucht, die Bibliothek dafür verantwortlich zu machen...
PCA in Kombination mit +/-3sq.cv. off -- kann helfen, Ausreißer zu entfernen, aber das gilt nur für die Normalverteilung, und Sie müssen immer noch beweisen, dass Ihre Grundgesamtheit dem Gesetz der Normalverteilung gehorcht! - auch statistisch... sonst zeigt die PCA "Öl auf Repin" (und nicht umgekehrt)...
== Ich sehe einen statistisch angemessenen Weg, ein Modell ungefähr so zu erstellen....
===
und die Bibliothek ist schon das 10. Ding (auch wenn Moderatoren schimpfen, ohne zu verstehen, worum es in der normalen DataScience geht - Verlierer träumen immer von einem Bankett und schieben die Schuld auf die ganze Welt) -- während diejenigen, die wirklich verstehen wollen, längst erkannt haben, dass es nicht auf die Sprache des Programmierers ankommt, sondern auf die Algorithmen hinter bestimmten Entitäten, die sogar in einer fremden Bibliothek implementiert sind -- das Wesen der Ursache-Wirkungs-Beziehungen ändert daran nichts (der Name der Bibliothek).
p.s..
während die Moderatoren auf dem Bankett sind, arbeiten andere - Sie sollten sich ein Beispiel an ihnen nehmen - verbreiten Sie keine Fehlinformationen.
Die PCA ist nur eine Variante der Faktorenanalyse zur Auswahl orthogonaler Merkmale, aber sie erklärt ALLE Varianz, ohne die Hauptfaktoren auszuwählen,
Es gibt eine PCA, die das Ziel berücksichtigt und Komponenten isoliert, die das Ziel charakterisieren, aber das Traurige daran ist, dass das Ziel eine subjektive Variable ist und "schwebt", sobald das Training über.... ist. und wie unterscheidet sie sich von der normalen Lehrerausbildung?
zusätzlich zu Maxim Dmitrievsky .
das ist es, was ich meine:
um eine Klassifizierung vorzunehmen, sollte man sie nicht einfach nach oben/unten durchführen, sondern zuerst zumindest eine Clusteranalyse durchführen, um zu bestimmen, wie viele Klassen man formal zuordnen sollte (wie man sie nennt, ist eine Frage des subjektiven Geschmacks)...
und erst dann Diskriminanzfunktionen bestimmen, auf deren Grundlage man die Proben dieser oder jener Klasse zuordnet.... dann wird die Klassifizierung mit einem normalen Prozentsatz an Genauigkeit erfolgen - wenn wir wissen, dass die Klassen, in die wir einteilen, wirklich existieren...
PCA ist nur eine Variante der Faktorenanalyse zur Auswahl orthogonaler Merkmale, aber sie erklärt die GANZE Varianz, ohne die Hauptfaktoren auszuwählen,
weil die Hauptkomponenten nur die ursprünglichen Daten sind, die in Eigenvektorkoeffizienten ("Ladungen") umgewandelt werden, die, wenn sie mit den ursprünglichen Daten multipliziert werden, pc_scores ergeben... (oder so ähnlich - ich habe mich vor langer Zeit daran erinnert - es ist lange her)... (oder so ähnlich - habe mich schon lange nicht mehr an den Algorithmus erinnert)
- aber am Ende erklärt die PCA ALLE Varianzen, ohne fs... Im Gegensatz dazu verwendet die Hauptfaktorenanalyse "nur die Varianz der Variablen, die auch anderen Variablen gemeinsam ist"... (Ich bestehe nicht darauf, dass dies die beste fs ist - aber es gibt überall Nuancen)
im Allgemeinen FS kann niemand richtig machen, und versucht, die Bibliothek dafür verantwortlich zu machen...
PCA in Kombination mit +/-3sq.cv. off -- kann helfen, Ausreißer zu entfernen, aber das gilt nur für die Normalverteilung, und Sie müssen immer noch beweisen, dass Ihre Grundgesamtheit dem Gesetz der Normalverteilung gehorcht! - auch statistisch... sonst zeigt die PCA "Öl auf Repin" (und nicht umgekehrt)...
== Ich sehe den statistisch adäquaten Weg, ein Modell zu erstellen, wie folgt...
===
und die Bibliothek ist schon das 10. Ding (auch wenn die Moderatoren schimpfen, ohne zu verstehen, wovon wir in der normalen DataScience reden - Verlierer träumen immer von einem Festmahl und schieben die Schuld auf die ganze Welt) -- während diejenigen, die wirklich verstehen wollen, längst erkannt haben, dass es nicht auf die Sprache des Programmierers ankommt, sondern auf die Algorithmen hinter bestimmten Entitäten, die auch in einer fremden Bibliothek implementiert sind -- das Wesen der Ursache-Wirkungs-Beziehungen ändert daran nichts (der Name der Bibliothek).
p.s..
während die Moderatoren auf dem Bankett sind, arbeiten andere - Sie sollten sich ein Beispiel an ihnen nehmen - verbreiten Sie keine Fehlinformationen.
.
gesagt von wem? von einem Idioten, der keine drei Wörter aneinanderreihen kann, ohne die Logik zu verletzen )) ahaha, es ist ernst....
von wem? von einem Schwachkopf, der nicht einmal drei Wörter zusammenfügen kann, um die Logik zu bewahren )) ahaha, das ist ernst....
Du verstehst nicht, wie man sich dreht und wendet, du verstehst nicht, wann man sich kurz fasst, du verstehst keine Definitionen, das ist nichts.
Du redest einfach nur vom Thema ab. Das ist das Markenzeichen eines College-Kids.
Niemand wirft dir das vor, die Menschen sind verschieden. Geh einfach nicht hin, wo du eine Eiche bist, misch dich nicht ein :DSie verstehen die Sprachmuster nicht
genial)) schreiben wir irgendeinen Blödsinn, und wenn dir jemand, der denkt, auf die Nase haut, sagst du ihm - du verstehst die Sprache nicht, ptushnik.
Was hast du gegen Ptuschniks? Sind das keine Menschen? Oder ist dein Ex von dort?
...
zu beziehen.
Wenn du auf Russisch schreibst, ist es unmöglich zu lesen, und bei den Beispielen ist es sogar lustig. Die meisten deiner Beiträge lese ich deswegen gar nicht.
Um die Theorie von Sanych zusammenzufassen (da er sie selbst nicht richtig formalisiert und Beispiele genannt hat):
Nach den Erklärungen von Sanych habe ich ein wenig aufgehört zu verstehen, was signifikante Prädiktoren letztendlich bedeuten. Seiner Erklärung zufolge treten sie häufig auf und ihre Größe korreliert mit dem Ergebnis. Aber das sind offenbar allgemeine Anzeichen für die Serie, über den gesamten Ausbildungszeitraum hinweg. Ich kann anscheinend nicht herausfinden, was es mit dem Serienmodell auf sich hat. Es stellt sich heraus, dass es sich um Prädiktoren handelt, die immer, wenn auch stark vereinfacht, oder am häufigsten, funktionieren. Im Allgemeinen ist es klar, dass die Verwendung von Einstellungen, die am häufigsten funktionieren, ein positiveres Ergebnis liefern als die Verwendung von Einstellungen, die nur in einem bestimmten Segment funktionieren....
Ich kann mir kein Bild davon machen, wonach letztendlich gesucht wird, und warum.
Genie)) schreiben wir jeden Unsinn, und wenn jemand, der denkt, stößt Sie in der Nase, sagen Sie ihnen - Sie verstehen nicht, Sprachmuster, ptuschestvo.
Was hast du gegen Ptuschniks? Sind das keine Menschen? Oder ist dein Ex von dort?