Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 908

Neuer Kommentar
 
Mihail Marchukajtes:

Vtreat.R.

Ich danke Ihnen.

Ist es etwas in R?

Ich habe mein Kit in Rattle ausprobiert - ausgewählt, um in allen Netzen zu lernen, und bin nach langem Überlegen mit einer Fehlermeldung gelandet


 
Elibrarius:

In Zyklen)).

Aber alle Kombinationen und PCs werden für vierundzwanzig Stunden gezählt...
10 Prädiktoren, Kombinationen 2^10 = 1024.

20 Prädiktoren, = 2^20 = 1048576

So oft muss man einen Wald/NS trainieren.

Ich bin nicht in Eile... Ich könnte sie auf einen separaten Computer legen und sie für sich selbst zählen lassen.

Aber was für eine wertvolle Software haben Sie?

 
Mihail Marchukajtes:

Vtreat.R

Wie kann ich sie ausführen? Ich rufevtrear() aufund es runzelt die Stirn.

--- Пожалуйста, выберите зеркало CRAN для использования в этой сессии ---
пробую URL 'https://cran.univ-paris1.fr/bin/windows/contrib/3.5/vtreat_1.0.4.zip'
Content type 'application/zip' length 975668 bytes (952 KB)
downloaded 952 KB

пакет ‘vtreat’ успешно распакован, MD5-суммы проверены

Скачанные бинарные пакеты находятся в
        C:\Users\S_V_A\AppData\Local\Temp\RtmpeQVyba\downloaded_packages
> local({pkg <- select.list(sort(.packages(all.available = TRUE)),graphics=TRUE)
+ if(nchar(pkg)) library(pkg, character.only=TRUE)})
> vtrear()
Ошибка в vtrear() :не могу найти функцию "vtrear"
> utils:::menuInstallPkgs()
 
Maxim Dmitrievsky:

irgendwelche bilder? hör auf, über nichts zu reden, du brauchst auch keine guten bilder, lol :)

Ich weiß es nicht einmal... Doc gab auch alle Codes für MKUL an, damit das Modell sofort in MT verwendet werden kann. Das Einzige, was mir an elmnn nicht gefiel, war, dass es, egal wie oft ich es trainierte, immer das gleiche Ergebnis bei OOS lieferte. Egal, wie oft ich es trainiere, es führt immer zum gleichen Ergebnis :-) Aber die Arbeit hat gerade erst begonnen, und ich brauche noch weitere Tests, um ein sicheres Urteil zu fällen...

 
Aleksey Vyazmikin:

Wie kann ich sie ausführen? Ich rufevtrear() aufund es runzelt die Stirn.

forexFeatures<-forexFeatures1[i:n_rw,1:n_enter+1]
set.seed(1234)
#designTreatmentsC  подходит только для классификации с двумя классами
treatmentsC <- designTreatmentsC(dframe = forexFeatures,
                                varlist=colnames(forexFeatures)[-ncol(forexFeatures)], #названия  колонок с предикторами (тут - все кроме последней колонки)
                                 outcomename = colnames(forexFeatures)[ncol(forexFeatures)], #названия  колонок с таргетом (тут - последняя колонка)
                                 outcometarget = "1") #текст  или цифра одного из классов
#обработка,  сортировка результата
treatmensC_scores <- treatmentsC$scoreFrame[order(treatmentsC$scoreFrame$sig),]
treatmensC_scores <- treatmensC_scores[!duplicated(treatmensC_scores$origName),]
treatmensC_scores <- treatmensC_scores[,c("origName","sig")] 
treatmensC_scores$is_good <- treatmensC_scores$sig <= 1/nrow(forexFeatures)
treatmensC_scores

Jedenfalls ist es so. Aber es ist eine Auswertung für die Zielklassifizierung, bei der es nur 0 und 1 gibt. Bei der Regression ist das ganz anders...

 

Wie interpretiert man das Ergebnis eines Random-Forest-Modells richtig - ist es gut oder schlecht?

Summary of the Random Forest Model
==================================

Number of observations used to build the model: 282752
Missing value imputation is active.

Call:
 randomForest(formula = as.factor(arr_Sell) ~ .,
              data = crs$dataset[crs$sample, c(crs$input, crs$target)],
              ntree = 500, mtry = 5, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 5

        OOB estimate of  error rate: 0.85%
Confusion matrix:
      -1      0 class.error
-1 21438   1825 0.078450759
0    584 258905 0.002250577

Analysis of the Area Under the Curve (AUC)  
==========================================

Call:
roc.default(response = crs$rf$y, predictor = as.numeric(crs$rf$predicted))

Data: as.numeric(crs$rf$predicted) in 23263 controls (crs$rf$y -1) < 259489 cases (crs$rf$y 0).
Area under the curve: 0.9596

95% CI: 0.9579-0.9614 (DeLong)

Variable Importance
===================

                                 -1      0 MeanDecreaseAccuracy
arr_iDelta_MN1               138.27 133.11               140.22
arr_iDelta_H6                125.08 121.39               133.93
arr_iDelta_H12               123.70 122.14               133.35
arr_Regresor                 128.66 115.53               127.84
arr_iDelta_W1                139.04 113.42               127.63
arr_iDelta_Min_D1            116.08 109.00               118.71
arr_LastBarPeresekD_Up_M15   104.77 115.87               118.67
arr_LastBarPeresekD_Down_M15 101.57 111.98               114.99
arr_TimeH                    109.29 110.21               111.94
arr_iDelta_Max_H1            106.04 102.77               109.00
arr_DonProcVisota             95.92 109.61               106.40
arr_iDelta_D1                116.65  90.42               103.11
arr_iDelta_Max_D1             96.33  94.41               101.86
arr_iDelta_H4                 78.47  90.86                90.15
arr_DonProc_M15               78.25  84.56                85.65
arr_Den_Nedeli                83.49  81.88                83.28
arr_DonProc                   58.30  84.22                76.08
arr_iDelta_H3                 55.64  64.18                62.44
arr_RSI_Open_H1               70.07  47.21                58.58
arr_LastBarPeresekD_Up        49.16  59.19                56.28
arr_iDelta_Min_H1             47.12  60.19                55.55
arr_Vektor_Week               53.23  52.12                54.44
arr_iDelta_H1                 41.20  48.63                46.96
arr_Vektor_Don_M15            46.79  40.64                45.61
arr_LastBarPeresekD_Down      33.46  42.79                39.32
arr_Vektor_Day                31.94  32.05                32.78
arr_Vektor_Don                18.94  22.51                21.50
arr_BB_Center                 19.91  21.46                21.07
arr_RSI_Open_M1               24.14  15.21                18.13
arr_BB_Down                   18.22  13.54                15.41
arr_BB_Up                     11.74  12.82                13.13
                             MeanDecreaseGini
arr_iDelta_MN1                        1786.84
arr_iDelta_H6                         1257.97
arr_iDelta_H12                        1286.82
arr_Regresor                          1162.09
arr_iDelta_W1                         1611.97
arr_iDelta_Min_D1                     1009.56
arr_LastBarPeresekD_Up_M15             990.33
arr_LastBarPeresekD_Down_M15          1051.66
arr_TimeH                             1718.65
arr_iDelta_Max_H1                      945.35
arr_DonProcVisota                     1146.33
arr_iDelta_D1                         1179.92
arr_iDelta_Max_D1                     1036.35
arr_iDelta_H4                         1182.16
arr_DonProc_M15                       1102.40
arr_Den_Nedeli                        1185.70
arr_DonProc                            699.24
arr_iDelta_H3                         1163.34
arr_RSI_Open_H1                        228.25
arr_LastBarPeresekD_Up                 839.31
arr_iDelta_Min_H1                      760.00
arr_Vektor_Week                        278.21
arr_iDelta_H1                          778.78
arr_Vektor_Don_M15                     220.85
arr_LastBarPeresekD_Down               731.15
arr_Vektor_Day                         155.12
arr_Vektor_Don                         215.34
arr_BB_Center                          155.38
arr_RSI_Open_M1                         99.55
arr_BB_Down                             82.22
arr_BB_Up                               56.65

Time taken: 1.26 hours

Rattle timestamp: 2018-05-14 04:12:32 S_V_A
======================================================================

Zu den Testdaten (15%)

Error matrix for the Random Forest model on Pred_023.csv [test] (counts):

      Predicted
Actual   -1     0 Error
    -1 4502   409   8.3
    0   125 55555   0.2

Error matrix for the Random Forest model on Pred_023.csv [test] (proportions):

      Predicted
Actual  -1    0 Error
    -1 7.4  0.7   8.3
    0  0.2 91.7   0.2

Overall error: 0.9%, Averaged class error: 4.25%

Rattle timestamp: 2018-05-14 12:48:08 S_V_A

So konnte ich es nicht in zwei Dateien aufteilen, niemand kann es klar erklären :(

 
Aleksey Vyazmikin:

Wie kann ich sie ausführen? Ich rufevtrear() aufund es runzelt die Stirn.

Das Paket wird anders genannt und es braucht:

bibliothek(vtreat)

Das Paket enthält mehrere Funktionen, ist es zu faul, die Dokumentation zu öffnen?

 
Mihail Marchukajtes:

Das war's dann auch schon. Dies ist jedoch eine Schätzung für die Zielklassifizierung, bei der es nur 0 und 1 gibt. Bei Regression ist das anders...

Es hat also keine grafische Oberfläche? Wie ruft man sie auf?

 
SanSanych Fomenko:

Das Paket wird anders genannt und sollte auch anders heißen:

bibliothek(vtreat)

Das Paket enthält mehrere Funktionen, ist es zu faul, die Dokumentation zu öffnen?

Wo kann man die Dokumentation erhalten?

 
Aleksey Vyazmikin:

Es hat also keine grafische Oberfläche? Wie ruft man eine Shell auf?

Nein. Aber ich habe ein Skript geschrieben, das alles in Excel hochlädt, und dann kann ich dort meine Arbeit machen. Ich kann Ihnen das Skript nicht geben, weil es mein Geistesprodukt ist.... Nun, ich habe da eine coole, originelle Sache gemacht. Ich weiß nicht, wie Sie die Prädiktoren schätzen, aber das Ergebnis ist eine sehr lesbare Tabelle für weitere Analysen... Also weiter...

1...901902903904905906907908909910911912913914915...3399
Neuer Kommentar
Grund der Beschwerde: