ForumSections

L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 908

Nouveau commentaire
Mihail Marchukajtes:

Vtreat.R.

Merci.

C'est quelque chose dans R ?

J'ai essayé mon kit dans Rattle - j'ai sélectionné l'apprentissage sur tous les réseaux, mais j'ai finalement obtenu une erreur après beaucoup de réflexion.


Elibrarius:

En cycles)).

Mais toutes les combinaisons et les PC seront comptabilisés pendant vingt-quatre heures...
10 prédicteurs, combinaisons 2^10 = 1024.

20 prédicteurs, = 2^20 = 1048576

C'est le nombre de fois qu'il faut former une forêt/nS.

Je ne suis pas pressé... Je pourrais le mettre sur un ordinateur séparé et le laisser compter pour lui-même.

Mais quel logiciel digne de ce nom possédez-vous ?

Mihail Marchukajtes:

Vtreat.R

Comment puis-je l'exécuter ? J'appellevtrear() et il fronce les sourcils.

--- 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:

des photos ? arrêtez de parler de rien, vous n'avez pas besoin de bonnes photos non plus, lol :)

Je ne sais même pas... Doc a également donné tous les codes pour MKUL afin que le modèle puisse être utilisé immédiatement dans MT. La seule chose que je n'ai pas aimée avec elmnn, c'est que peu importe le nombre de fois où je l'ai entraîné, il donne toujours le même résultat sur OOS. Ainsi, peu importe le nombre de fois où je l'entraîne, le résultat est toujours le même :-) Mais le travail ne fait que commencer et j'ai besoin de plus de tests pour obtenir un verdict sûr...

Aleksey Vyazmikin:

Comment puis-je l'exécuter ? J'appellevtrear() et il fronce les sourcils.

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

Bref, ça se passe comme ça. Mais c'est une évaluation pour la classification des cibles où il n'y a que des 0 et des 1. Pour la régression, c'est tout à fait différent...

Comment interpréter correctement le résultat d'un modèle de forêt aléatoire - est-il bon ou mauvais ?

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
======================================================================

Sur les données de test (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

C'est pourquoi je n'ai pas pu le diviser en deux fichiers, personne ne peut l'expliquer clairement :(

Aleksey Vyazmikin:

Comment puis-je l'exécuter ? J'appellevtrear() et il fronce les sourcils.

Le paquet s'appelle différemment et il a besoin :

library(vtreat)

Le paquet contient plusieurs fonctions, est-il trop paresseux d'ouvrir la documentation ?

Mihail Marchukajtes:

C'est à peu près tout. Mais il s'agit d'une estimation pour la classification cible où il n'y a que des 0 et des 1. Pour la régression, c'est différent...

Il n'y a donc pas de shell graphique ? Comment l'invoquer ?

SanSanych Fomenko:

Le paquet est appelé différemment et devrait l'être :

library(vtreat)

Le paquet contient plusieurs fonctions, est-il trop paresseux d'ouvrir la documentation ?

Où trouver la documentation ?

Aleksey Vyazmikin:

Il n'a donc pas de shell graphique ? Comment invoque-t-on un shell ?

Non. Mais j'ai écrit un script qui télécharge tout dans excel et ensuite je travaille ma magie là. Je ne peux pas vous donner le script parce que c'est mon idée originale. .... Eh bien, j'ai fait un truc original et cool là. Je ne sais pas comment vous estimez les prédicteurs, mais le résultat est un tableau très lisible pour une analyse ultérieure... Et ainsi de suite...

1...901902903904905906907908909910911912913914915...3399
Nouveau commentaire