記事についてのディスカッション - ページ 7 123456789101112131415 新しいコメント Evgeni Gavrilovi 2020.11.24 16:03 #61 Maxim Dmitrievsky そのノートブックでは、次のコード・ブロックだけがエラーとなる。 pr = get_prices(look_back=LOOK_BACK) pr = add_labels(pr, 10, 25) rep = tester(pr, MARKUP) plt.plot(rep) plt.show() ValueError: インデックスが定義されておらず、系列に変換できない値を持つフレームを設定できません 。 原因は何でしょうか？ Maxim Dmitrievsky 2020.11.24 16:09 #62 Evgeni Gavrilovi:そのノートブックでは、次のコードブロックだけがエラーを出している。pr = get_prices(look_back=LOOK_BACK)pr = add_labels(pr, 10, 25)rep = tester(pr, MARKUP)plt.plot(rep)plt.show()ValueError: インデックスが定義されておらず、Seriesに変換できない値を持つフレームを設定できない 。理由は何でしょうか？ データフレームが空 引用符を受信したかどうかを確認する Maxim Dmitrievsky 2020.11.24 16:11 #63 elibrarius: やってみればいい。時間はかからないよ。実験してみたら面白いんじゃない？ブレイマンは無作為の森でそれをしなかった。 時間がかかる後でやってみる Aleksei Kuznetsov 2020.11.24 16:12 #64 Maxim Dmitrievsky:遅いんだ。後で試してみるよ 結果を見るのが面白そうだ。テストと試験を半分ずつに分けてもいいと思う。あるいは2、3年足すか。 Evgeni Gavrilovi 2020.11.24 16:19 #65 Maxim Dmitrievsky:データフレーム空見積もりを受け取ったかどうかをチェックする ブローカーがユーロバックスペアの 末尾に "m "を付けていることに注意を払っていなかった。 Maxim Dmitrievsky 2020.11.24 16:25 #66 elibrarius: 結果を見るのは興味深い。試験を半分に分け、半分はテスト、半分は試験にしてもいいと思う。あるいは2、3年足すとか。 以前、そういうことをやったことがあるんだ、コップ一杯の木をね。実際、大したことはできなかった。 今回もどうだろう。でも後で調べてみるよ。 Valeriy Yastremskiy 2020.11.24 17:05 #67 Maxim Dmitrievsky:以前にも同じようなことをしたことがある。実のところ、素晴らしいものは何も得られなかった。今回もどうだろう。でも、後で調べてみよう。 そうだね、最初は森の中が一番いい結果になる。でも、確認して損はない) Aleksei Kuznetsov 2020.11.24 18:20 #68 Valeriy Yastremskiy:そうだね、最初は森の中が一番いい 結果になる。でも、チェックしても損はない) いや、全部だ。 そして、すべてのランダムな木を合計するので、ランダムフォレストと 呼ばれます。 最高のものはランダムフォレストとは呼ばず、ベストフォレストと呼ぶ。))) Valeriy Yastremskiy 2020.11.24 18:55 #69 elibrarius:いや、全部だ。ランダムフォレストと呼ばれるのは、すべてのランダムな木が足し算されるからだ。 最高のものは、ランダムフォレストではなく、ベストフォレストと呼ばれるでしょう。))) どうやら我々はランダムブースティングについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。重要なのは、集合はランダムだが、悪いもの良いものへの選択/クラスタリングは元々あったということだ。針を投げて角度を測り、円周率を計算するようなものだ。） ウィキより 与えられたサブサンプルのサンプルを分類する決定木を 構築し、木の次のノードを作成する間に、パーティショニングが実行されるベースとなる特徴のセットを選択します（すべてのM個の 特徴からではなく 、 ランダムに 選択されたm個の 特徴からのみ）。このm個の 特徴から 最適なものを選ぶには、さまざまな方法がある。オリジナルのBreimanコードは、CART 決定木アルゴリズムでも使用されるジニ基準を 使用します。このアルゴリズムのいくつかの実装は、代わりに情報利得基準を 使用する。[3] Maxim Dmitrievsky 2020.11.24 19:01 #70 Valeriy Yastremskiy:どうやら私たちはランダムブーストについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。ポイントは、集合はランダムだが、悪いもの良いものへの選択／クラスタリングは元々あったということだ。針を投げて角度を測り、πの数を計算するようなものだ)ウィキより 与えられたサブサンプルのサンプルを分類する決定木を 構築し、木の次のノードを作成する間に、パーティショニングが実行されるベースとなる特徴のセットを選択します（すべてのM個の 特徴からではなく 、 ランダムに 選択されたm個の 特徴からのみ）。このm個の 特徴から 最適なものを選ぶには、さまざまな方法がある。オリジナルのBreimanコードは、CART 決定木アルゴリズムでも使用されるジニ基準を 使用します。このアルゴリズムのいくつかの実装は、代わりに情報利得基準を 使用する。[3] そうです、多くの木がありますが、それぞれが異なる特徴で最適な学習をしようとしています。これは、複数のフォレスト（悪いものも含む）を組み合わせることとは異なります。 123456789101112131415 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
そのノートブックでは、次のコード・ブロックだけがエラーとなる。
pr = get_prices(look_back=LOOK_BACK)
pr = add_labels(pr, 10, 25)
rep = tester(pr, MARKUP)
plt.plot(rep)
plt.show()
ValueError: インデックスが定義されておらず、系列に変換できない値を持つフレームを設定できません 。
原因は何でしょうか？
そのノートブックでは、次のコードブロックだけがエラーを出している。
pr = get_prices(look_back=LOOK_BACK)
pr = add_labels(pr, 10, 25)
rep = tester(pr, MARKUP)
plt.plot(rep)
plt.show()
ValueError: インデックスが定義されておらず、Seriesに変換できない値を持つフレームを設定できない 。
理由は何でしょうか？
データフレームが空
引用符を受信したかどうかを確認する
やってみればいい。時間はかからないよ。実験してみたら面白いんじゃない？ブレイマンは無作為の森でそれをしなかった。
時間がかかる後でやってみる
遅いんだ。後で試してみるよ
データフレーム空
見積もりを受け取ったかどうかをチェックする
ブローカーがユーロバックスペアの 末尾に "m "を付けていることに注意を払っていなかった。
結果を見るのは興味深い。試験を半分に分け、半分はテスト、半分は試験にしてもいいと思う。あるいは2、3年足すとか。
以前、そういうことをやったことがあるんだ、コップ一杯の木をね。実際、大したことはできなかった。
今回もどうだろう。でも後で調べてみるよ。
以前にも同じようなことをしたことがある。実のところ、素晴らしいものは何も得られなかった。
今回もどうだろう。でも、後で調べてみよう。
そうだね、最初は森の中が一番いい結果になる。でも、確認して損はない)
そうだね、最初は森の中が一番いい 結果になる。でも、チェックしても損はない)
いや、全部だ。
そして、すべてのランダムな木を合計するので、ランダムフォレストと 呼ばれます。
最高のものはランダムフォレストとは呼ばず、ベストフォレストと呼ぶ。)))
いや、全部だ。
ランダムフォレストと呼ばれるのは、すべてのランダムな木が足し算されるからだ。
最高のものは、ランダムフォレストではなく、ベストフォレストと呼ばれるでしょう。)))
どうやら我々はランダムブースティングについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。重要なのは、集合はランダムだが、悪いもの良いものへの選択/クラスタリングは元々あったということだ。針を投げて角度を測り、円周率を計算するようなものだ。）
ウィキより
どうやら私たちはランダムブーストについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。ポイントは、集合はランダムだが、悪いもの良いものへの選択／クラスタリングは元々あったということだ。針を投げて角度を測り、πの数を計算するようなものだ)
ウィキより
そうです、多くの木がありますが、それぞれが異なる特徴で最適な学習をしようとしています。これは、複数のフォレスト（悪いものも含む）を組み合わせることとは異なります。