Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading

Aliaksandr Hryshyn 2020.07.27 04:55 #19211

Maxim Dmitrievsky:

Altai... aber ich bin im letzten Moment nicht gegangen, ich wollte nicht).

Übrigens, wissen Sie etwas über die Profis?

Ich kann den Code für das Parsen von Catbust-Modellen weitergeben, allerdings nur für kontinuierliche Variablen. Der Code liest C++-Code, wandelt ihn in MQL-Arrays um und führt ihn aus. Ich kann nicht sagen, dass es mit allen möglichen Parametern funktioniert, ich habe es für ein bestimmtes Format gemacht.

Merkmale der Sprache mql5, [WARNUNG GESCHLOSSEN!] Alle Fragen Fragen von Neueinsteigern zu

Maxim Dmitrievsky 2020.07.27 05:18 #19212

Aliaksandr Hryshyn:
Ich kann den Code für das Parsen von Catbust-Modellen weitergeben, allerdings nur für kontinuierliche Variablen. C++-Code lesen, in MQL-Arrays umwandeln und ausführen. Ich kann nicht sagen, dass es mit allen möglichen Parametern funktionieren wird, ich habe es für ein bestimmtes Format gemacht.

Ich verwende Python für alles.

Er spuckt dieses Format aus. Binärer Klassifikator

#include <string>
#include <vector>

/* Model data */
static const struct CatboostModel {
    unsigned int FloatFeatureCount = 24;
    unsigned int BinaryFeatureCount = 149;
    unsigned int TreeCount = 38;
    unsigned int TreeDepth[38] = {4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4};
    unsigned int TreeSplits[152] = {111, 141, 18, 122, 100, 119, 14, 81, 123, 46, 70, 33, 137, 63, 95, 12, 136, 61, 56, 27, 135, 98, 78, 44, 138, 80, 147, 36, 142, 125, 65, 92, 94, 55, 77, 112, 113, 120, 58, 17, 133, 35, 16, 71, 130, 117, 76, 68, 103, 99, 54, 29, 110, 64, 41, 3, 116, 140, 106, 88, 127, 87, 118, 69, 128, 105, 8, 45, 148, 79, 121, 109, 102, 124, 62, 131, 146, 66, 5, 104, 86, 139, 93, 11, 20, 67, 4, 89, 59, 143, 51, 32, 30, 144, 42, 53, 2, 40, 19, 25, 90, 115, 50, 75, 7, 129, 82, 73, 79, 24, 49, 0, 114, 38, 97, 31, 37, 72, 126, 107, 47, 96, 43, 23, 22, 34, 26, 15, 86, 10, 28, 84, 39, 74, 9, 57, 145, 83, 132, 134, 52, 101, 108, 21, 126, 91, 1, 48, 13, 60, 85, 6};
    unsigned int BorderCounts[24] = {0, 2, 7, 5, 5, 2, 5, 6, 3, 4, 6, 2, 9, 8, 6, 9, 7, 5, 7, 6, 5, 8, 8, 24};
    float Borders[149] = {-0.000455000001 f, -0.000224999996 f, -0.00365500012 f, 0.000404999999 f, 0.000615000026 f, 0.000675000018 f, 0.00104500004 f, 0.00156 f, 0.00159500004 f, -0.00115499995 f, -0.000969999994 f, -0.000215000007 f, -1.49999996 e-05 f, 0.000854999991 f, -0.00139999995 f, -6.50000002 e-05 f, 0.000375000003 f, 0.000615000026 f, 0.000905000023 f, 0.000555000035 f, 0.000864999951 f, -0.000505000004 f, -0.000364999985 f, 0.000264999981 f, 0.000385000021 f, 0.001085 f, -0.00156500004 f, -0.000914999982 f, -0.000415000017 f, -7.50000036 e-05 f, 0.000705000013 f, 0.000864999951 f, -4.99999987 e-06 f, 0.000224999996 f, 0.000274999999 f, -0.00166499999 f, -0.00149499997 f, -0.000364999985 f, 0.0014500001 f, -0.00346500007 f, -0.00191999995 f, -0.00103499996 f, 0.000224999996 f, 0.00164999999 f, 0.00318 f, -0.00142500002 f, -0.00111499999 f, -0.00681000017 f, -0.00107500004 f, 0.000104999999 f, 0.000185000012 f, 0.000505000004 f, 0.000564999995 f, 0.00059499999 f, 0.00116500002 f, 0.00246499991 f, -0.00215499988 f, -0.0020349999 f, 0.000155000002 f, 0.00059499999 f, 0.000725000049 f, 0.00143499998 f, 0.00159500004 f, 0.00461499998 f, -0.00113500003 f, -5.49999968 e-05 f, 6.50000002 e-05 f, 7.50000036 e-05 f, 0.000735000009 f, 0.00431500003 f, -0.000439999974 f, -0.000224999996 f, -0.000155000002 f, -0.000135000009 f, 0.000325000001 f, 0.000534999999 f, 0.000714999973 f, 0.001605 f, 0.0020349999 f, -0.00679500028 f, -0.00156500004 f, -0.00130999996 f, -0.000815000036 f, -0.000484999997 f, 0.000274999999 f, 0.00126500009 f, -0.00630000001 f, -0.000965000014 f, -0.000914999982 f, 0.000944999978 f, 0.001085 f, -0.00104500004 f, -0.000570000033 f, -0.000135000009 f, 0.000415000017 f, 0.000774999964 f, 0.00129000004 f, 0.00136499992 f, -0.00214500003 f, -0.00078500004 f, 0.000564999995 f, 0.000969999994 f, 0.00129500008 f, 0.00171500002 f, -0.00109499996 f, -0.000665 f, -0.000505000004 f, -0.000455000001 f, 0.00092000002 f, -0.00078500004 f, -0.00033000001 f, 0.000375000003 f, 0.000754999986 f, 0.000944999978 f, 0.000974999974 f, 0.00135000004 f, 0.00179500005 f, -0.000735000009 f, -0.000195000001 f, -0.000140000004 f, -4.50000007 e-05 f, 2.49999994 e-05 f, 0.000549999997 f, 0.000729999971 f, 0.00175000005 f, -0.000645000022 f, -0.000404999999 f, -0.000390000001 f, -0.00033000001 f, -0.000315000012 f, -0.000204999989 f, -0.000195000001 f, 4.99999987 e-05 f, 6.50000002 e-05 f, 0.000109999994 f, 0.000230000005 f, 0.000245000003 f, 0.000354999996 f, 0.00046499999 f, 0.000484999997 f, 0.000495000044 f, 0.00059499999 f, 0.000684999977 f, 0.000705000013 f, 0.000725000049 f, 0.00109999999 f, 0.00122500001 f, 0.00124499993 f, 0.00194999995 f, };

    /* Aggregated array of leaf values for trees. Each tree is represented by a separate line: */
    double LeafValues[608] = {
        0.2730029119914884, 0.03364653273046463, -0.2371262400839919, 0.1081843550866285, 0.1343627920272425, -0.1126874256586927, -0.1126874256586927, -0.1126874256586927, -0.06059264820464742, 0.06930028482667829, 0, -0.249182516740322, 0, -0.04043442721784622, 0.1126874256586928, -0.246778769760217,
        0.3055616697384914, 0, 0, 0, 0.3295134099067072, 0, -0.001400906528597944, 0.1109887188810945, 0.3268369286843394, 0.09915101998784448, 0.1058842186334935, -0.2170923208654514, 0.2805477815282972, 0.1585452078030638, 0.04581636331023499, -0.1482988821054673,
        0.2661001303798985, 0, 0.2465781759237509, -0.1025474154359036, 0.1236081969018748, -0.1513185903680103, 0.09970504556623555, -0.1329324554655258, 0.1311330854183022, 0, 0.1102178581205619, -0.09318782033023576, 0, 0, 0.0984009666714989, -0.2078721521946149,
        0.2318376125278687, -0.1062335532728426, 0, 0, 0.08412564157842428, -0.1469343266107289, 0, -0.08357104102221358, 0.1653044215102119, -0.03314292702875558, 0, 0, 0.003358906412990077, -0.1912230767439488, 0, -0.2522267340231065,
        0.1973025375909275, 0, 0, 0, 0.4228820616711522, -0.07638314839084562, 0, 0, 0.2694211287720111, 0, 0, 0, 0.1652145942168661, -0.08206648374492893, -0.1450852254716266, -0.1363614260665522,
        0.2270555010525044, 0, 0.1627207525378816, -0.06377453863892701, 0, 0, -0.1357966649842286, -0.2427437659214983, 0, 0, 0, 0, 0, 0, 0, -0.1803912820573122,
        0.1804444671623995, -0.1017902080898772, 0.2133898509109472, 0.2517605145878034, 0, 0, 0, 0.0667661734515297, 0.2610915548565391, 0, 0.1052820435018607, -0.04560350655907942, 0, 0, 0, -0.3270645727235584,
        0.3575664582748267, 0, -0.0134804607394401, -0.04992725827315483, 0.2020647226798946, 0, -0.03385866654059267, 0, 0.2644495544004545, 0, 0.05182748809759461, -0.1768682974102572, 0.2407016500831285, 0, 0.04550057548317996, -0.119019763974849,
        0.08658245310355768, -0.02639731363946828, 0, 0, -0.07937732361985407, 0.2547371055272361, 0, 0, 0.02587599274452583, -0.05393875649408716, 0, 0, 0, -0.1657068825017175, 0, -0.2049254584747038,
        0.1440498437609123, 0.1101736004819604, 0.005464554800258488, -0.03812379875242829, 0.1819257725985174, 0, 0.02309394186822163, -0.08799582858720537, 0.08924300136100559, 0, -0.1587820248277704, 0, 0.07685524153284377, 0, 0.03664203213434057, -0.1531993322169632,
        0.09806057100343098, -0.09888524364037948, 0.2135150121698442, -0.09009400810853242, 0.07220208574561482, 0, 0.06638832682433267, -0.08176789304081045, 0.0580997781754348, 0.2757911650361233, 0.2520388352390843, -0.03558969703545899, 0, 0, 0.05616828900715019, -0.05996334853624528,
        0.3034312237500126, -0.3295604473826144, 0.1887070939415764, -0.01674053821735176, 0.04203126063490011, 0, 0.06936231294655706, -0.04128791044025015, 0, 0, 0.1230751670630003, -0.02722926856756647, 0.03326065080614352, 0, 0.06968005579997801, -0.05689069395020619,
        0.1144715475069234, 0, 0.01532939962304299, -0.09842006335636103, 0, 0, 0.3532831730583329, -0.1424529047285753, 0.1130693244873004, 0, -0.001413815681729, -0.1730902495689088, 0, 0, -0.003744815582707896, -0.2340067817777089,
        0.0582716295838749, 0.05887691806098397, 0.1830039055150205, 0.1275695040047543, 0.2265370556123239, 0.05865002066522316, 0.1412030624760486, -0.04465374880604451, 0.1016168407643287, -0.1696982846816441, 0.0168802138361802, -0.09464076746916356, 0.118358865381315, 0.07766416051208853, -0.004086300252646373, 0.01145464025038506,
        0.09893204118662431, 0, 0, 0, -0.1771744077440305, 0, -0.08956662944160931, 0, 0.06459969382272165, 0, -0.09920331948638744, 0, 0.06208790080353844, -0.06391545778445595, -0.03815083591344838, -0.193220691727352,
        0.2084212418556134, -0.2711170554066691, 0.3287662064308552, 0.04618819791309881, 0.02295062367871115, 0.06903818051790414, 0.06785880462261525, -0.01900550327916934, 0, 0, 0, 0, 0, 0, 0, -0.1379757023193675,
        0.1277198477469503, -0.1045845285066445, 0.06646719763990752, -0.006328728989568992, 0, 0, 0, 0, 0.2991650315125301, -0.1609657699217688, 0.1807990380964121, -0.02247201152624968, 0.06039630602452812, 0, 0.07323877669092338, 0.1041619957787472,
        -0.1701607137827854, 0, 0.08119342965694411, 0, 0, 0, 0, 0, 0, 0, 0.02263621203523299, 0, 0, 0, 0.001461819609651068, -0.3310861822552173,
        0.1708582471998724, 0, 0, 0, 0, -0.08085455495800464, 0, 0, -0.02242709602120458, -0.01626809043535743, -0.08378843901194441, -0.1314392215326333, 0.1670789581203374, -0.03477863896354667, -0.02057073074698931, -0.132977812589716,
        0.01576995464742881, 0, 0.05788166290521737, 0, 0.1155558453551253, 0, 0, 0, 0.009175549226526487, -0.09285703148627725, 0.0170554478209398, -0.1704207949809702, -0.1872038714907393, 0, 0.1259508080010625, -0.1193817874448983,
        -0.1624959866223847, 0.03397677382231543, 0, -0.01337295631517065, 0, 0.1165918182388884, 0, -0.04635935471889165, 0, 0.012563032729967, 0, -0.1185940873147897, 0, 0.02522877097419614, 0, -0.02570582073728468,
        0.002633980002093404, 0.0725570801392979, 0.03442625637449047, 0.001037481484499863, -0.04931529849937184, -0.2105671840353762, 0.1489911821071239, 0.2202194677045035, 0.1810528663002426, 0, -0.08188791865647969, -0.124584203103273, 0, 0.03156045615123341, 0.05563213612263092, -0.04578705044003427,
        0.01165640797726642, -0.1810863968750629, -0.1089920493861719, 0.05654669419619869, 0.05301303138076533, 0.1259240607012236, -0.1400660470693698, 0.06632028296608294, 0.02792682995145789, -0.1631488652519533, -0.1472788242094764, 0.02141183442530574, 0.284237301261878, -0.001197458738763785, 0.05972702215452129, -0.0586075718789894,
        0.02490937469062505, 0.01810224834922746, -0.1092925911367815, -0.1197570696964759, 0.008067995573721135, -0.1023547665228953, -0.09294834637942173, 0.231300348695698, 0.2206397515352709, 0, -0.03762173512827768, 0, 0.102636146583814, -0.04563726647379882, -0.0298583349638738, -0.03244852061992397,
        -0.1794615195377556, 0.01921769229013687, 0, 0.01044638539736725, 0, 0.02781136690266, 0, 0.001867775508010755, 0, 0.1067785434424472, 0, -0.2932442639776253, 0, 0, 0, -0.03241018659571911,
        -0.006510415667175931, 0.07059931629954573, -0.05002576775584883, 0, 0.02889911804947202, 0.1366522086842556, 0.1459606096328157, -0.07315994927835844, -0.1602705507235337, 0.1878187897030766, -0.04626610184165392, -0.09837710067806367, 0.05397003977271773, -0.04858868406475466, 0.0649201842045576, -0.06524393947925287,
        0.1459267556026626, 0.01372089516811126, -0.1001303921089584, 0, 0.2092093674681419, 0.01930448166419142, -0.04972139914274094, 0, 0.03545870984455322, 0, -0.07554900451460518, 0, 0.2137989937258072, 0.0008411572827327659, -0.00117214692641536, 0.09422976943966678,
        -0.1641700048226127, 0.07641634809302257, 0.01054185317373139, 0.1341178828759175, 0, -0.04019050552180111, 0, 0.1596324334341981, 0, 0.006806725110812047, 0, -0.1081606151666887, 0, 0.01822843651581126, 0, -0.01720619226968497,
        0.009025394520361704, -0.00389494343189025, 0.2311406287627894, -0.083367208305538, 0.1730715229027212, -0.1114791940489316, 0, -0.1028046654549743, -0.07334162028427468, 0.04581415665697729, 0.09898474179992452, 0.1365328178250054, -0.04325183693301483, -0.002210798573244916, -0.1387629807152628, -0.08980091117790198,
        0.1201356461649662, 0.1758279743860605, 0.04350349009977216, 0.1134402521456353, -0.06435518652676646, -0.2395731049930946, 0.08878547365332778, -0.03259992777530323, 0.04016967881155449, 0.05586731905591313, 0.02231616278420573, 0.06715298880059364, -0.02931637068858008, -0.02727342673220743, 0.07981966823218006, -0.00736687454594985,
        -0.1523999096887992, 0.01066390065885025, 0, -0.007937651487390564, 0, 0.05838570541522675, 0, -0.01764599778668323, 0.00926922900423862, -0.01462296480325223, 0, -0.1231100245909153, 0, 0.2071885095206176, 0, -0.07553876970469377,
        -0.007509531863847287, -0.03821554347886918, 0, 0, 0.04539951031452136, -0.03237816844587264, 0.1489237277306394, -0.06858743023508017, 0, 0, 0, 0, -0.02197724937765806, -0.009927643925657297, 0.1075288047240592, 0.007583049665065472,
        -0.1438530341047301, 0.08211619188336085, 0.009520674504357616, -0.035052444268162, 0, -0.2209655809626173, 0, 0.02928893608785839, 0, 0.2307562221331639, 0, 0.004914926553117083, 0, -0.04531825623377965, 0, -0.01478427605905595,
        -0.07585048830556372, 0.06213280806503956, 0, 0, -0.2460691271464409, 0.1587981422466466, 0, 0, 0, -0.01873021929806146, 0, 0.1355384701582952, -0.06505176113152071, 0.006237844209643408, 0, -0.01139845636090814,
        0.03344525515709466, 0, 0.05456132700219524, 0, -0.3220774353233821, 0, 0.09756717225728033, 0, 0, 0, 0, 0, -0.05013487401906989, -0.1004156738161951, 0.01006705311047576, -0.06297947180380781,
        0.03125880796992506, 0.1620757216856216, 0.02218793960373364, 0, -0.05510500531128774, 0, -0.1305668615108228, 0.09175301826776584, -0.02241534935432258, 0.06091737602659867, 0.1959961615001555, -0.08945488952436154, -0.1297656911182584, -0.0327910998454452, 0.04823531757180094, -0.0451880914096086,
        -0.03549878434185903, -0.05751707772342768, 0.03023724321196803, -0.03668922584353116, 0.1446378062221211, -0.1558238670878492, 0.0440168187902071, -0.07335968350547692, 0.05992982442842611, 0, 0.1297678384005503, 0.001564747370113251, 0.1215230794033289, -0.237198658134785, 0.1200964187472702, -0.003075362232407817,
        0.009596007555535021, -0.02731003882847802, -0.03313751244478664, 0.2002494267502239, -0.00142054347110939, 0, -0.07476518666658544, 0.06964401248797676, -0.1775794863889658, -0.02635446781295587, -0.04719524974954924, 0.1681250432344917, 0, 0, 0.08871226782186471, -0.01856541295695367
    };
    double Scale = 1;
    double Bias = 0;
} CatboostModelStatic;

/* Model applicator */
double ApplyCatboostModel(
    const std::vector<float>& features
) {
    const struct CatboostModel& model = CatboostModelStatic;

    /* Binarise features */
    std::vector<unsigned char> binaryFeatures(model.BinaryFeatureCount);
    unsigned int binFeatureIndex = 0;
    for (unsigned int i = 0; i < model.FloatFeatureCount; ++i) {
        for(unsigned int j = 0; j < model.BorderCounts[i]; ++j) {
            binaryFeatures[binFeatureIndex] = (unsigned char)(features[i] > model.Borders[binFeatureIndex]);
            ++binFeatureIndex;
        }
    }

    /* Extract and sum values from trees */
    double result = 0.0;
    const unsigned int* treeSplitsPtr = model.TreeSplits;
    const double* leafValuesForCurrentTreePtr = model.LeafValues;
    for (unsigned int treeId = 0; treeId < model.TreeCount; ++treeId) {
        const unsigned int currentTreeDepth = model.TreeDepth[treeId];
        unsigned int index = 0;
        for (unsigned int depth = 0; depth < currentTreeDepth; ++depth) {
            index |= (binaryFeatures[treeSplitsPtr[depth]] << depth);
        }
        result += leafValuesForCurrentTreePtr[index];
        treeSplitsPtr += currentTreeDepth;
        leafValuesForCurrentTreePtr += (1 << currentTreeDepth);
    }
    return model.Scale * result + model.Bias;
}

double ApplyCatboostModel(
    const std::vector<float>& floatFeatures,
    const std::vector<std::string>&
) {
    return ApplyCatboostModel(floatFeatures);
}

Aliaksandr Hryshyn 2020.07.27 06:05 #19213

MQL

Ruft mql-Arrays ab

Maxim Dmitrievsky 2020.07.27 06:09 #19214

Aliaksandr Hryshyn:
MQL

Teilen, wenn es Ihnen nichts ausmacht

Vielleicht können Sie etwas Nützliches daraus ziehen.

Aliaksandr Hryshyn 2020.07.27 06:10 #19215

Maxim Dmitrievsky:

teilen, wenn es Ihnen nichts ausmacht

Vielleicht können Sie etwas Nützliches daraus ziehen.

Erst später, wenn ich nach Hause komme

mytarmailS 2020.07.27 07:33 #19216

Aleksey Vyazmikin:

Es wurde festgestellt, dass diese Art der Clusterbildung keine Regeln erstellt,

Ich kenne den Clustering-Algorithmus, der die Regeln erstellt, nicht.

So bleibt die Frage - wie man in csv gehören von String zu jeder Klasse zu speichern?

write.csv(myfile, file = "C:\\Users\\......\\myfile.csv", sep = ";",row.names = F,col.names = T)

Es ist zwar seltsam, aber warum können wir nicht einfach die Clusterbildung mit bereits vorhandenen Daten fortsetzen und eine neue Zeichenfolge in einer der Klassen definieren, oder?

Natürlich kann man das, aber nicht in µl!!!

Aleksey Vyazmikin:
Aber ich habe ein Buch über R gefunden.

Lesen Sie es, tolles Buch.

Aleksey Vyazmikin:

Und ich verstehe nicht, wie ich die Ergebnisse in einer bestimmten Spalte zusammenfassen kann?

Ich verstehe nicht, was Sie wollen))

Aleksey Vyazmikin:

Dieses Bild enthält dieselben Prädiktoren wie zuvor, aber der Stichprobenumfang ist anders, und, was noch wichtiger ist, es wurden neue Prädiktoren hinzugefügt.

Und so ist sie zu interpretieren - die Neigung zum Übertraining?

Ich habe bereits gesagt, dass man sich bei der Auslegung nach dem unmittelbaren Zweck des Werkzeugs richten soll, und Sie wollen mit einer Blume Nägel einschlagen.

https://ru.wikipedia.org/wiki/%D0%A1%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%B5%D0%B4%D0%B8%D0%BD%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%20%D0%B2%D0%BE%D0%B7%D0%BC%D0%BE%D0%B6%D0%BD%D1%8B%D0%BC%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%BE%D0%BC.-,%D0%9F%D1%80%D0%B5%D0%B8%D0%BC%D1%83%D1%89%D0%B5%D1%81%D1%82%D0%B2%D0%B0%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8,%D1%82%D0%B0%D0%BA%D0%B8%D0%BC%20%D0%BA%D0%B0%D0%BA%202D%20%D0%B8%D0%BB%D0%B8%203D.

Merkmalsauswahl[edit|edit code]

Hauptartikel:Merkmalsauswahl

EineMerkmalsauswahlmethode versucht, eine Teilmenge der ursprünglichen Variablen (genannt Merkmale oder Attribute) zu finden. Es gibt drei Strategien - eine Filterstrategie(z. B.Merkmalsakkumulation ^[en]), eineWrapping-Strategie(z. B. Suche nach Genauigkeit) und eineEinbettungsstrategie(Auswahl von Merkmalen, die während der Erstellung des Modells auf der Grundlage von Vorhersagefehlern hinzugefügt oder entfernt werden). Siehe auchkombinatorische Optimierungsprobleme.

In einigen Fällen kann dieDatenanalyse, z. B.Regression oderKlassifizierung, im reduzierten Raum genauer durchgeführt werden als im ursprünglichen Raum ^[3].

Projektion von Merkmalen[edit|edit code]

Die Merkmalsprojektion konvertiert Daten aus demhochdimensionalen Raum in den niedrigdimensionalen Raum. Die Transformation der Daten kann linear sein, wie bei derHauptkomponentenmethode(PCM), aber es gibt auch eine Reihenichtlinearer Verkleinerungstechniken ^[en] ^[4] ^[5]. Bei mehrdimensionalen Daten kanneine Tensordarstellung verwendet werden, um die Dimensionalität durchpolylineares Training von Unterräumen zu reduzieren ^[en] ^[6].

Genau das haben wir gestern getan.

Dimensionalitätsreduktion[edit|edit code]

Bei hochdimensionalen Datensätzen (d. h. mit mehr als 10 Dimensionen) wird vor der Anwendung desk-NN-Algorithmus(k-NN= k-nearest neighbours) in der Regel eine Verkleinerung vorgenommen, um die Auswirkungen desFluchs der Dimensionalität zu vermeiden ^[16].

Vorteile der Dimensionalitätsreduktion[edit|edit code]

Es reduziert den Zeit- und Speicherbedarf.
Die Beseitigung der Multikollinearität verbessert die Geschwindigkeit des maschinellen Lernmodells.
Es ist einfacher, die Daten visuell darzustellen, indem man sie auf sehr niedrige Dimensionen, wie 2D oder 3D, reduziert.

Machine learning in trading: Von der Theorie zur LASSEN SIE UNS HERAUSFINDEN,

mytarmailS 2020.07.27 10:02 #19217

Ich beschloss, mich mit bedeutenden Marktumkehrungen zu befassen. Signifikante Kehrtwendungen als Ziel. Ich dachte, es würde Chaos herrschen, aber nein...

grüne Umkehrung nach oben

rote Umkehrung nach unten

Grau ist keine Umkehrung.

In 2D ist es ein wenig visueller.

Ich habe weitere Daten hinzugefügt; auf jeden Fall habe ich 4 Cluster für Käufe und 4 für Verkäufe. Jetzt sollte ich wahrscheinlich die notwendigen Cluster auswählen und versuchen, einen Zug von einem anderen durch den Qualifier in jedem von ihnen zu trennen

Stellen Sie sich vor, wie viel Unrat in den Daten enthalten ist, der von den benötigten Informationen getrennt werden muss.

Das ist mit Clustering nicht möglich.

Sie müssen etwas Ernsthafteres ausprobieren, z. B. DBscan, oder vielleicht manuell auswählen, ich habe irgendwo von einer solchen Technologie gehört

Die Rolle der Psychologie Mt4 Ende der Unterstützung. Wie viel kostet ein

Rorschach 2020.07.27 10:51 #19218

mytarmailS:

Ich beschloss, mich mit bedeutenden Marktumkehrungen zu befassen. Signifikante Kehrtwendungen als Ziel. Ich dachte, es würde Chaos herrschen, aber nein...

grüne Umkehrung nach oben

rote Umkehrung nach unten

Grau ist keine Umkehrung.

In 2D ist es ein wenig visueller.

Ich habe weitere Daten hinzugefügt; auf jeden Fall habe ich 4 Cluster für Käufe und 4 für Verkäufe. Jetzt sollte ich wahrscheinlich die notwendigen Cluster auswählen und versuchen, einen Zug von einem anderen durch den Qualifier in jedem von ihnen zu trennen

Stellen Sie sich vor, wie viel Unrat in den Daten enthalten ist, der von den benötigten Informationen getrennt werden muss.

Das ist mit Clustering nicht möglich.

Wir müssen etwas Ernsthafteres ausprobieren, DBscan zum Beispiel, oder vielleicht manuell auswählen, ich habe irgendwo von einer solchen Technologie gehört.

Gibt es eine Möglichkeit, nach Attributen innerhalb eines bestimmten Clusters zu suchen?

mytarmailS 2020.07.27 11:15 #19219

Rorschach:

Gibt es eine Möglichkeit, sich die Merkmale innerhalb eines bestimmten Clusters anzusehen?

Was meinen Sie damit? Cluster haben keine Merkmale, sie kombinieren sozusagen Teile von Merkmalen durch Ähnlichkeit.

Rorschach 2020.07.27 11:46 #19220

mytarmailS:

Was meinen Sie damit? Cluster haben keine Merkmale, sie kombinieren sozusagen Teile von Merkmalen durch Ähnlichkeit

Von Interesse sind die Werte der Merkmale im Cluster.

Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1922

Merkmalsauswahl[edit|edit code]

Projektion von Merkmalen[edit|edit code]

Dimensionalitätsreduktion[edit|edit code]

Vorteile der Dimensionalitätsreduktion[edit|edit code]