Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 372
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
http://sci.alnam.ru/book_dsp.php
pero no hay imagen en la p. 126
no una foto...
Guarda el ejemplo como una imagen y súbelo aquí
no una foto...
Y guardar el ejemplo como una imagen y ponerlo aquí
¿Lo es?
¿Lo es?
el libro es el único.
p. 126
Ejemplo 5.4.
el libro es el único.
p. 126
Ejemplo 5.4.
Sí, no lo entendí de inmediato..., aquí
Sí, no lo entendí de inmediato..., aquí tienes
eso sí que es bueno ;)
No puede haber dependencia donde no hay correlación. La correlación puede ser lineal o no lineal, pero lo será si hay dependencia.
Puede haber una correlación cuando no la hay: una falsa correlación.
No he borrado ni un solo post en este hilo.
Bendat J., Pearsol A.
Análisis de datos aleatorios aplicados: Traducido del inglés: World, 1989.
En la p. 126
EJEMPLO 5.4. VARIABLES ALEATORIAS DEPENDIENTES NO CORRELACIONADAS.
"Este artículo analiza en detalle el problema del sobreentrenamiento de las redes neuronales, identifica sus causas y propone una forma de resolver el problema.
1. ¿Por qué se reentrena una red neuronal?
¿Cuál es el motivo del reentrenamiento de la red neuronal? En realidad, puede haber varias razones para ello:- El número de ejemplos de una muestra de entrenamiento no es suficiente para resolver problemas fuera de la muestra.
- Los datos de entrada se distribuyen de forma desigual por el grado de correlación con los datos de salida en diferentes muestras, lo que ocurre muy a menudo cuando se procesan datos no estacionarios. Por ejemplo, en una muestra de entrenamiento, la correlación de cualquier parámetro de entrada o de varios parámetros de entrada con respecto a los valores de salida es significativamente mayor que en una muestra de prueba, o peor aún, los coeficientes de correlación en diferentes muestras difieren en signo. Esto puede comprobarse fácilmente calculando los coeficientes de correlación de todos los parámetros en diferentes muestras antes de entrenar la red neuronal. Y deshacerse de este inconveniente también es bastante sencillo: los ejemplos de entrenamiento se distribuyen entre las muestras de forma aleatoria.
- Los parámetros de entrada no están relacionados con los de salida, es decir, no hay relación causa-efecto entre ellos: no son representativos y, por lo tanto, no hay nada para entrenar la red neuronal. Y la comprobación de las correlaciones entre entradas y salidas mostrará una correlación cercana a cero. En este caso, debe buscar otros datos de entrada para entrenar la red neuronal.
- Los datos de entrada están muy correlacionados entre sí. En este caso debe dejar los datos de entrada con la máxima correlación con los datos de salida y eliminar los demás datos que están bien correlacionados con los restantes.
Todas las razones anteriores de sobreentrenamiento y los métodos para eliminarlas son de conocimiento común, ya que se han descrito previamente en diversas publicaciones o artículos sobre tecnología de redes neuronales. "Dmitry, lo siento, pero sospecho que o bien estás tratando de trollearme, o bien estás haciendo el tonto, o simplemente eres estúpido, con todo el respeto... No puedes ver en un ejemplo trivial que dos atributos tienen ambos una correlación cero con el objetivo, PERO ambos son significativos, ninguno puede ser descartado, la dependencia lineal es cero, no es lineal al 100%, es decir, la correlación puede ser cero y el conjunto de datos es completamente predecible, lo que tu afirmación:
refuta completamente.
¡Claro que estoy haciendo una tontería!
Escribí claramente en este hilo: " Voy a ser honesto y franco - me diagnosticó NS hace un par de años y abandonó este método.Así que cómo exactamente para NS - difícil para mí decir. Tal vez haya algo en la NS que le permita atiborrarse de todo lo que tiene a mano sin preselección.Para todos los métodos de DM el enfoque que he expuesto". (с)
Si he escrito varias veces que no estoy versado en el NS y que no sé cómo funcionan las cosas allí, y aparece algo que empieza a gritar y a dar ejemplos del NS... ¿qué se queja de mí?
He escrito con claridad y franqueza:
1. La dimensionalidad disminuirá.
2. sobre la precisión del modelo - ¡NO LO SÉ!
Pero aún así habrá alguien que empiece a enmudecer....
La correlación de las variables no significa la posibilidad de predicción. Los pares pueden estar correlacionados. Significa que están correlacionados pero es imposible prever uno de ellos a través del otro, porque cambian simultáneamente y no se anticipan. ¡¡¡¡Eso en cuanto a la correlación!!!!
No seas estúpido.
Si realmente quieres hacer el tonto, busca en Google, por ejemplo, steam trading.
Mentira de nuevo, no hay correlación no lineal la correlación es una estructura matemática estrictamente definida como la suma o el coseno, al menos estudia la wikipedia antes de decir tonterías.
Vamos a repasarlo como en la escuela: desde lo más básico. Qué es la "correlación no lineal" y cómo se calcula:
http://metr-ekon.ru/index.php?request=full&id=412