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.
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
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.
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.
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.
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
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?
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.
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. 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
MQL
Teilen, wenn es Ihnen nichts ausmacht
Vielleicht können Sie etwas Nützliches daraus ziehen.
teilen, wenn es Ihnen nichts ausmacht
Vielleicht können Sie etwas Nützliches daraus ziehen.
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?
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!!!
Aber ich habe ein Buch über R gefunden.
Lesen Sie es, tolles Buch.
Und ich verstehe nicht, wie ich die Ergebnisse in einer bestimmten Spalte zusammenfassen kann?
Ich verstehe nicht, was Sie wollen))
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]
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]
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
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?
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.
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.