Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 372
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
http://sci.alnam.ru/book_dsp.php
aber es gibt kein Bild auf S. 126
kein Bild...
Speichern Sie das Beispiel als Bild und laden Sie es hier hoch
kein Bild...
Und speichern Sie das Beispiel als Bild und stellen Sie es hier ein
Ist es das?
Ist es das?
das Buch ist das Richtige.
p. 126
Beispiel 5.4.
das Buch ist das Richtige.
p. 126
Beispiel 5.4.
Ja, ich habe es nicht gleich verstanden..., hier
Ja, ich habe es nicht gleich verstanden..., hier ist es
das ist gut ;)
Es kann keine Abhängigkeit geben, wenn es keine Korrelation gibt. Die Korrelation kann linear oder nichtlinear sein, aber sie ist immer dann gegeben, wenn eine Abhängigkeit besteht.
Es kann eine Korrelation bestehen, wenn keine Korrelation besteht - eine falsche Korrelation.
Ich habe nicht einen einzigen Beitrag in diesem Thema gelöscht.
Bendat J., Pearsol A.
Angewandte Zufallsdatenanalyse: Aus dem Englischen übersetzt: World, 1989.
Auf p. 126
BEISPIEL 5.4. UNKORRELIERTE ABHÄNGIGE ZUFALLSVARIABLEN.
"In diesem Beitrag wird das Problem des Übertrainierens neuronaler Netze eingehend erörtert, seine Ursachen aufgezeigt und ein Weg zur Lösung des Problems vorgeschlagen.
1. Warum wird ein neuronales Netz neu trainiert?
Was ist der Grund für die Umschulung neuronaler Netze? Eigentlich könnte es mehrere Gründe dafür geben:- Die Anzahl der Beispiele in einer Trainingsstichprobe reicht nicht aus, um Probleme außerhalb der Stichprobe zu lösen.
- Die Eingabedaten sind durch den Grad der Korrelation zu den Ausgabedaten in verschiedenen Stichproben ungleich verteilt, was bei der Verarbeitung nicht-stationärer Daten sehr häufig der Fall ist. Beispielsweise ist die Korrelation eines oder mehrerer Eingangsparameter mit den Ausgangswerten in einer Trainingsstichprobe deutlich höher als in einer Teststichprobe, oder schlimmer noch, die Korrelationskoeffizienten in verschiedenen Stichproben haben unterschiedliche Vorzeichen. Dies lässt sich leicht überprüfen, indem man die Korrelationskoeffizienten für alle Parameter in verschiedenen Stichproben berechnet, bevor man das neuronale Netz trainiert. Und um diesen Nachteil zu beseitigen, ist es auch ganz einfach: Die Trainingsbeispiele werden nach dem Zufallsprinzip auf die Stichproben verteilt.
- Die Eingangsparameter stehen in keinem Zusammenhang mit den Ausgangsparametern, d. h. es besteht keine Ursache-Wirkungs-Beziehung zwischen ihnen - sie sind nicht repräsentativ und daher gibt es nichts, womit das neuronale Netz trainiert werden könnte. Und die Überprüfung der Korrelationen zwischen Inputs und Outputs zeigt eine Korrelation nahe Null. In diesem Fall sollten Sie nach anderen Eingabedaten suchen, mit denen Sie das neuronale Netz trainieren können.
- Die Eingabedaten sind stark miteinander korreliert. In diesem Fall sollten Sie die Eingabedaten mit der höchsten Korrelation zu den Ausgabedaten belassen und die anderen Daten, die gut mit den übrigen korreliert sind, löschen.
Alle oben genannten Gründe für Übertraining und die Methoden zu ihrer Beseitigung sind allgemein bekannt, da sie bereits in verschiedener Literatur oder in Artikeln über die Technologie neuronaler Netze beschrieben worden sind. "Dmitry, es tut mir leid, aber ich habe den Verdacht, dass Sie entweder versuchen, mich zu trollen, oder herumalbern, oder einfach nur dumm sind, bei allem Respekt... Können Sie nicht anhand eines trivialen Beispiels sehen, dass zwei Attribute beide eine Nullkorrelation mit dem Ziel haben, ABER beide signifikant sind, keines von beiden kann weggelassen werden, die lineare Abhängigkeit ist Null, nicht linear 100%, d.h. die Korrelation kann Null sein und der Datensatz ist völlig vorhersehbar, was Ihre Aussage:
vollständig widerlegt.
Natürlich bin ich dumm!
Ich habe in diesem Thread deutlich geschrieben: "Ich werde ehrlich und offen sein - ich habe mich vor ein paar Jahren mit NS diagnostiziert und diese Methode aufgegeben.Also wie genau für NS - schwer für mich zu sagen. Vielleicht gibt es etwas in der NS, das es Ihnen erlaubt, alles ohne Vorauswahl in die Hand zu nehmen.Für alle Methoden der DM habe ich den Ansatz angegeben". (с)
Wenn ich mehrmals geschrieben habe, dass ich mich mit dem NS nicht auskenne und nicht weiß, wie die Dinge dort funktionieren, und dann etwas auftaucht, das anfängt zu schreien und Beispiele für den NS zu nennen - was beschwert mich dann?
Ich habe klar und offen geschrieben:
1. die Dimensionalität wird abnehmen.
2. über die Genauigkeit des Modells - ICH WEISS ES NICHT!
Aber es wird immer noch jemanden geben, der anfängt, stumm zu werden....
Die Korrelation von Variablen bedeutet nicht die Möglichkeit einer Vorhersage. Paare können korreliert werden. Das bedeutet, dass sie miteinander korreliert sind, es aber unmöglich ist, eines von ihnen über das andere vorherzusagen, weil sie sich gleichzeitig und nicht vorausschauend ändern. So weit die Korrelation!!!!
Seien Sie nicht dumm.
Wenn Sie wirklich herumalbern wollen, googeln Sie z. B. Steam Trading.
Lügen Sie noch einmal, es gibt keine nichtlineare Korrelation Korrelation ist eine STRENG definierte mathematische Struktur wie Addition oder Kosinus, studieren Sie wenigstens wikipedia, bevor Sie Unsinn reden.
Gehen wir es wie in der Schule durch - von den Grundlagen an. Was ist eine "nichtlineare Korrelation" und wie wird sie berechnet?
http://metr-ekon.ru/index.php?request=full&id=412