Discusión sobre el artículo "Procesos gaussianos en el aprendizaje automático (Parte 2): Implementación y prueba de un modelo de clasificación en MQL5"
Hola,
¿Podrías dar un ejemplo y mostrar cómo ajustar la varianza de una serie de precios con tu regresor GP con función de base radial, tal y como se muestra en la imagen adjunta, en lugar de predecir el valor t+1, etc.?
Archivos adjuntos:
IMG-20260514-WA0000.jpg
78 kb
cemal #:
Buenos días,
Buenos días,
¿Podría dar un ejemplo y mostrar cómo ajustar la dispersión de la serie de precios utilizando su regresor GP con función base radial, tal y como se muestra en la imagen adjunta, en lugar de realizar predicciones para t+1 y así sucesivamente?
¡Buenos días!
¿Es esto lo que quieres?
Ahora ya no se muestra la predicción para el siguiente paso, sino la media y la dispersión de la muestra de entrenamiento.
Archivos adjuntos:
GPR2.mq5
11 kb
Muchas gracias, es muy amable por tu parte.
¿Se pueden entrenar los modelos de regresión de procesos gaussianos en modo en línea, de modo que se adapten en tiempo real a la media y la varianza de los datos?
cemal #:
Sí, claro, eso es precisamente lo que hace el script GPRegressor.mq5
Muchas gracias, es un detalle por su parte.
¿Es posible entrenar modelos de regresión basados en procesos gaussianos en modo en línea, de modo que puedan adaptarse a la media y a la dispersión de los datos en tiempo real?
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
Artículo publicado Procesos gaussianos en el aprendizaje automático (Parte 2): Implementación y prueba de un modelo de clasificación en MQL5:
En el artículo anterior nos familiarizamos con los fundamentos teóricos del modelo bayesiano de aprendizaje automático, los procesos gaussianos (GP), y también empezamos a crear una biblioteca de GP en MQL5, describiendo dos clases clave: GaussianProcess y GPOptimizationObjective.
Hoy completaremos la construcción de la biblioteca examinando en detalle la implementación de las interfaces clave: IKernel, ILikelihood e IInference. A continuación, probaremos la biblioteca con datos sintéticos y crearemos indicadores de clasificación y regresión que muestren su funcionamiento en modo online, con reentrenamiento del modelo en cada nueva barra.
Autor: Evgeniy Chernish