L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 372
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
http://sci.alnam.ru/book_dsp.php
mais il n'y a pas de photo à la p. 126
pas une photo...
Enregistrez l'exemple sous forme d'image et téléchargez-le ici.
pas une photo...
Et sauvegarder l'exemple comme une image et le mettre ici
C'est le cas ?
C'est le cas ?
le livre est le bon.
p. 126
Exemple 5.4.
le livre est le bon.
p. 126
Exemple 5.4.
Ouais, je ne l'ai pas eu tout de suite..., ici.
Oui, je n'ai pas compris tout de suite..., voilà.
maintenant c'est bien ;)
Il ne peut y avoir de dépendance là où il n'y a pas de corrélation. La corrélation peut être linéaire ou non linéaire, mais elle le sera s'il y a dépendance.
Il peut y avoir une corrélation alors qu'il n'y en a pas - une fausse corrélation.
Je n'ai pas supprimé un seul message dans ce fil.
Bendat J., Pearsol A.
Analyse appliquée des données aléatoires : Traduit de l'anglais : World, 1989.
Sur p. 126
EXEMPLE 5.4. VARIABLES ALÉATOIRES DÉPENDANTES NON CORRÉLÉES.
"Cet article examine en détail le problème du surentraînement des réseaux neuronaux, identifie ses causes et propose une façon de résoudre le problème.
1. Pourquoi un réseau neuronal est-il recyclé ?
Quelle est la raison du recyclage des réseaux neuronaux ? En fait, il peut y avoir plusieurs raisons à cela :- Le nombre d'exemples dans un échantillon d'entraînement n'est pas suffisant pour résoudre les problèmes hors échantillon.
- Les données d'entrée sont distribuées de manière inégale par le degré de corrélation aux données de sortie dans différents échantillons, ce qui est très souvent le cas lors du traitement de données non stationnaires. Par exemple, dans un échantillon d'apprentissage, la corrélation de n'importe quel paramètre d'entrée ou de plusieurs paramètres d'entrée par rapport aux valeurs de sortie est significativement plus élevée que dans un échantillon de test, ou pire, les coefficients de corrélation dans différents échantillons diffèrent en signe. Cela peut être facilement vérifié en calculant les coefficients de corrélation pour tous les paramètres dans différents échantillons avant de former le réseau neuronal. Et pour se débarrasser de cet inconvénient, rien de plus simple : les exemples de formation sont répartis de manière aléatoire entre les échantillons.
- Les paramètres d'entrée ne sont pas liés aux paramètres de sortie, c'est-à-dire qu'il n'y a pas de relation de cause à effet entre eux - ils ne sont pas représentatifs et il n'y a donc rien pour entraîner le réseau neuronal. Et la vérification des corrélations entre les entrées et les sorties montrera une corrélation proche de zéro. Dans ce cas, vous devez rechercher d'autres données d'entrée pour former le réseau neuronal.
- Les données d'entrée sont fortement corrélées entre elles. Dans ce cas, vous devez laisser les données d'entrée ayant la corrélation maximale avec les données de sortie et supprimer les autres données qui sont bien corrélées avec les autres.
Toutes les raisons susmentionnées du surentraînement et les méthodes permettant de les éliminer sont connues de tous, car elles ont été décrites précédemment dans divers ouvrages ou articles sur la technologie des réseaux neuronaux. "Dmitry, je suis désolé, mais je soupçonne que vous essayez de me troller, que vous vous moquez de moi ou que vous êtes tout simplement stupide, avec tout le respect que je vous dois... Ne pouvez-vous pas voir, à partir d'un exemple trivial, que deux attributs ont tous deux une corrélation nulle avec la cible, MAIS que les deux sont significatifs, qu'aucun ne peut être abandonné, que la dépendance linéaire est nulle, et non linéaire à 100%, c'est-à-dire que la corrélation peut être nulle et que l'ensemble de données est complètement prévisible, ce que votre déclaration :
réfute complètement.
Bien sûr que je suis stupide !
J'ai clairement écrit dans ce fil de discussion : " Je vais être honnête et franc - je me suis diagnostiqué NS il y a quelques années et j'ai abandonné cette méthode.Alors comment exactement pour NS - difficile pour moi de le dire. Peut-être qu'il y a quelque chose dans le SN qui vous permet de fourrer tout à portée de main sans présélection.Pour toutes les méthodes de DM, l'approche que j'ai énoncée". (с)
Si j'ai écrit plusieurs fois que je ne suis pas versé dans le NS et que je ne sais pas comment les choses fonctionnent là-bas, et que quelque chose apparaît qui commence à crier et à hurler et à donner des exemples du NS - qu'est-ce qui se plaint pour moi ?
J'ai écrit clairement et franchement :
1. la dimensionnalité va diminuer.
2. sur la précision du modèle - JE NE SAIS PAS !
Mais il y aura toujours quelqu'un qui commencera à abrutir .....
La corrélation des variables ne signifie pas la possibilité de prédiction. Les paires peuvent être corrélées. Cela signifie qu'elles sont corrélées mais qu'il est impossible de prévoir l'une d'entre elles par l'intermédiaire de l'autre, car elles évoluent simultanément et sans anticipation. C'est aussi loin que la corrélation est concernée !!!!.
Ne soyez pas stupide.
Si vous voulez vraiment faire des bêtises, allez sur Google, par exemple, pour faire du trading de vapeur.
Mensonge encore, il n'y a pas de corrélation non linéaire ; la corrélation est une structure mathématique STRICTEMENT définie comme l'addition ou le cosinus, étudiez au moins wikipedia avant de dire n'importe quoi.
Faisons comme à l'école - en commençant par les bases. Qu'est-ce que la "corrélation non linéaire" et comment est-elle calculée ?
http://metr-ekon.ru/index.php?request=full&id=412