Donc tu dois appliquer le clustering kmeans ou quelque chose de plus cool, attends une minute.
exécutez-le
Combien de clusters voulez-vous trouver ?
et maintenant
le mettre à la place de la cible
ici
Je le fais mal :(
> way <- "F:\\FX\\R\\2020_04_11_Pred_New_Full\\Pred_New_Fu ..." ... [TRUNCATED]
> dt <- read.csv(file = way,header = T,sep = ";") # читаем файл
> target <- dt$Target_100 # целевую в отдельную переменную
> #target <- km$cluster # целевую в отдельную переменную
>
> dt <- dt[, ! colnames(dt) %in%
+ # c("Target_100_Buy","Target_100 ..." ... [TRUNCATED]
> km <- kmeans(um$layout, centers = 4)
> # роскоментируем и Устанавливаем нужные пакеты после чего эту строку можно удалить
> #install.packages(c("rgl", "car" , "umap"))
>
>
>
> # про um .... [TRUNCATED]
> um <- umap(dt,n_components=3)
> # n_components=3 во сколько измерений уменьшаем данные, можно 100 можно 1
> # можно 333, но нам для 3 д надо трех мерное пространство поетому у нас .... [TRUNCATED]
> #тут все настройки по пакету car
> # http://www.sthda.com/english/wiki/amazing-interactive-3d-scatter-plots-r-software-and-data-visualization
> lib .... [TRUNCATED]
> target <- as.factor(target) # target нужен для того чтобы окрасить точки в цвет целевой
> scatter3d(x = um.res[,1],
+ y = um.res[,2],
+ z = um.res[,3],
+ #groups = target,
+ groups = km$cluster,
+ .... [TRUNCATED]
Error in scatter3d.default(x = um.res[, 1], y = um.res[, 2], z = um.res[, :
groups variable must be a factor
Si vous n'avez pas de compte, veuillez vous inscrire
Autorisez l'utilisation de cookies pour vous connecter au site Web MQL5.com.
Veuillez activer les paramètres nécessaires dans votre navigateur, sinon vous ne pourrez pas vous connecter.
Vous êtes connecté. L'authentification à deux facteurs a été désactivée. Configurez-la à nouveau et scannez un nouveau code QR, ou continuez avec l'authentification à deux facteurs désactivée.
Je me demandais donc si je pouvais diviser cet échantillon en plusieurs îlots et faire l'apprentissage du modèle dans ces îlots.
donc tu dois appliquer le clustering kmeans ou quelque chose de plus cool, attends.
exécutez-le
km <- kmeans(um$layout, centers = 4)c'est le nombre de clusters que vous voulez trouver
et maintenant
le mettre à la place de la cible
ici
à quel point c'est devenu beau, les photos.
C'est incroyable !
continuez messieurs, je regarde le processus de très près
Donc tu dois appliquer le clustering kmeans ou quelque chose de plus cool, attends une minute.
exécutez-le
Combien de clusters voulez-vous trouver ?
et maintenant
le mettre à la place de la cible
ici
Je le fais mal :(
Je le fais mal :(
Vous ne pouvez pas commenter les arguments d'une fonction.
ceci est exclu, vous ne pouvez pas commenter le code à l'intérieur des arguments de la fonction.
Wow, je l'ai enlevé et l'ai fait comme dans la capture d'écran.
pendant qu'il réfléchit.
pendant qu'il réfléchit.
intéressant))
intéressant à propos de quoi))
Voici une idée, cela signifie que l'on a réussi à se diviser en 4 groupes ?
Maintenant, comment puis-je sauvegarder le partitionnement de la ligne sur chaque cluster ?
J'ai une idée, est-ce que ça veut dire qu'il a réussi à se diviser en quatre groupes ?
Oui
Maintenant, comment sauvegarder le partitionnement de la ligne sur chaque cluster ?
sauvegarder le modèle umap
sauvegarder le modèle kmeans
et c'est tout.
Mettreellipsoïde = VRAI
Cela devrait bien se passer
Oui
C'est intéressant, je vais essayer d'apprendre les modèles séparément et voir ce qui se passe.
sauvegarder le modèle umap
sauvegarder le modèle kmeans
et puis...
Pouvez-vous être plus précis ?
J'ai besoin d'économiser :
1. Règles de partitionnement en clusters sous une forme lisible pouvant être codée en MQL.
2. Disposition en grappes des lignes dans le fichier csv
Comment faire ?
1. Règles de partitionnement des clusters sous une forme lisible à coder en MQL
Je ne comprends pas, voulez-vous obtenir les ventilations résultantes dans les règles pour les transférer à mql ?