Diskussion zum Artikel "Maschinelles Lernen: Wie Support Vector Machines beim Handeln verwendet werden können"

Neuer Kommentar
 

Neuer Artikel Maschinelles Lernen: Wie Support Vector Machines beim Handeln verwendet werden können :

Support Vector Machines wurden lange in Bereichen wie Bioinformatik und angewandter Mathematik verwendet, um komplexe Datensätze zu evaluieren und nützliche Muster für die Datenklassifikation zu extrahieren. In diesem Artikel wird besprochen, was eine Support Vector Machine ist, wie sie arbeitet und warum sie so nützlich bei der Extraktion komplexer Muster ist. Danach werden wir untersuchen, wie sie auf dem Markt angewandt werden können und vielleicht beim Handeln Ratschläge geben. Mit dem "Support Vector Machine Learning Tool" bietet der Artikel Beispiele, anhand derer Leser mit ihrem eigenen Handeln experimentieren können.

Am besten zeigt man die Funktionsweise einer Support Vector Machine, indem man den zweidimensionalen Fall anschaut. Angenommen, wir wollen eine Support Vector Machine entwerfen, die zwei Eingaben hat und eine einzelne Ausgabe zurück gibt, die den Datenpunkt in eine von zwei Kategorien zuordnet. Wir können dies darstellen indem wir es in ein zweidimensionales Diagramm zeichnen, wie das untere Diagramm.

Teilende Hyperebene

Abbildung 2 Links: Eingaben in eine Support Vector Machine, die in ein 2D-Diagramm gezeichnet wurden. Die roten Kreise und blauen Kreuze werden verwendet, um die zwei Eingabeklassen zu bezeichnen.

Autor: Josh Readhead

 
Äußerst didaktischer und gut geschriebener Artikel, danke für den Austausch.
 
MetaQuotes:

Neuer Artikel Maschinelles Lernen: How Support Vector Machines can be used in Trading is published:

Autor: Josh Readhead

Vielen Dank für Ihren Artikel.

 
Ich möchte darauf hinweisen, dass die Methode nicht funktioniert, wenn mindestens eine der Klassen nicht kohärent ist, d.h. aus 2 oder mehr nicht überlappenden Untergruppen besteht. Wenn es beispielsweise zwei Arten von Shnyaki gibt (der Computer weiß das vor der Analyse nicht!) - grünliche, die 100 kg wiegen und Karotten lieben, und regenbogenfarbene, die 30 kg wiegen und keine Karotten vertragen, aber Hering essen -, ist es ziemlich problematisch, eine Hyperebene zwischen "shnyaki" und "nicht shnyaki" zu ziehen. Und eine solche Situation auf dem Markt, und sogar in einem mehrdimensionalen Fall, ist ziemlich typisch.
 

alsu:
 Вот я бы все таки отметил, что метод не бует работать, если хотя бы один из классов не связный, то есть состоит из 2 и более непересекающихся подгрупп. Например, если Шняки (на самом деле - компьютер перед анализом этого не знает!) бывают 2 видов - зеленоватые, весом 100 кг и которые любят морковку и радужно-блестящие весом 30 кг, которые морковку не переносят, но зато хавают селедку, то провести гиперплоскость между "шняками" и "не шняками" будет довольно проблематично. А такая ситуация на рынке, да еще и в многомерном случае, типична вполне. 

... Und dass Sie diesen Algorithmus verwenden können, um dieses Problem zu lösen. Vielen Dank dafür, übrigens!

P.S: Sorry, aber ich konnte nicht widerstehen ... :)

1) Du siehst eine Kreatur mit 9 Beinen (!) und 4 Augen. Das ist kein Glitch!!! Es ist ein SNACK!

2) Die Paarungsfrequenz von Tieren beträgt 14000 Hz (14.000 Mal pro Sekunde). 0_o

 
MigVRN:

... Und dass Sie diesen Algorithmus verwenden können, um dieses Problem zu lösen. Vielen Dank übrigens dafür!

Ich habe es noch einmal gelesen - ein guter Mann schreibt gut, und ich wollte es selbst verwenden))))
 
Interessanter Artikel. Gut geschrieben.
 
Das Problem mit 2 Arten von Schniaks kann auf folgende Weise gelöst werden: 1) Angabe von Merkmalen, die beiden Arten gemeinsam sind, die sie aber von anderen Tieren unterscheiden. Das Ergebnis der Analyse wird beide Arten ohne ihre Trennung sein, aber die Qualität der Erkennung wird niedrig sein 2) zusätzlich zu Punkt 1 werden die Merkmale, die 2 Arten von Schniaks unterscheiden, angegeben. Infolgedessen wird es weniger Fehler geben, bei denen diese Merkmale nicht erfüllt sind, und mehr Fehler bei Erfüllung der zusätzlichen Merkmale. Das Gesamtergebnis hängt davon ab, wie sehr die zusätzlichen Merkmale Shnyaks von allen anderen unterscheiden. 3) Es können 2 Analysen durchgeführt werden, die jeweils einen bestimmten Typ von Schniak hervorheben. Dabei wird eine hohe Genauigkeit vorausgesetzt.
 
Toller Artikel, danke!
 

Sehr nützlich für die Implementierung von SVM im Handel!

Großartige Arbeit!

 
tolle Sachen!
12
Neuer Kommentar