Прежде чем мы перейдем к рассмотрению методов библиотек seaborn и plotly, обсудим самый простой и зачастую удобный способ визуализировать данные из pandas dataframe — это воспользоваться функцией plot. Для примера построим график продаж видео игр в различных странах в зависимости от года. Для начала отфильтруем только нужные нам столбцы, затем посчитаем суммарные продажи по годам и у получившегося dataframe вызовем функцию plot без параметров.
sales_df = df[[x for x in df.columns if'Sales'in x] + ['Year_of_Release']] sales_df.groupby('Year_of_Release').sum().plot()
ここではハドロン衝突型加速器を作っているわけではないので、数理科学者でなくても取引は可能です。
じゃあ、ここで何してるんだ？
マッシュアップやストキャスティクスを研究している支店に行けば、すべてがシンプルでクリアになる...。このスレに来たのは1番目でも2番目でもない、知識ゼロ、何も言えない、だからニューラルネットワークは 悪だ、などとプロパガンダする......。マシキを勉強している人にネトゲを布教している人を見たことがないのですが...。誰も招待してないし、誰も困らせてないのに、なんでここにいるんだ？
こんにちは。LSTMの場合、入力パラメータはどのような形で提供されるのか教えてください。私の理解では、「ゲート」を切り替える仕組みがあります。
私の知る限り、数値のベクトル（配列）を入力に送り、結果をカウントし、次に数値の配列を2つ送り、結果をカウントする、といった具合です。
その結果、結果を計算するときに、インクルートがすべてのニューロンを通過し、これらのニューロンは、あたかも以前のインクルートを記憶しているかのように、何らかの変化した状態で残っていることが判明しました。
私はニューラルネットワークについて 何も知りません。ここで実験している人たちを見かけますが、彼らはきっと以前からインジケーターベースのシステムや他のパターンビジュアライザーを使っていたのでしょう。
質問ですが、ニューラルネットワークを使って、多くの変数を持つTSの結果に対する効果、つまり、最も重要な変数とそのTSに対する影響の有効性を特定するためのレポート結果を検証しようとした人はいますか？
ここで何をしてるんだ？ 伝道師...
マッシュアップやストキャスティクスを研究している支店に行くと、そこではすべてがシンプルで明快です ...このスレに来たのは1番目でも2番目でもない、知識ゼロ、何も言えない、だからニューラルネットワークは悪だ、などとプロパガンダする......。マシュカを勉強している人にネトゲを布教している人を見たことがない...。なぜ皆さんはここで悩むのでしょうか？ 誰もあなたを招待していませんし、誰もあなたに迷惑をかけません。
ここの「科学者」たちは、人々を混乱させ、学位や教育の数でやる気を失わせ、100％有望でない取引システムに多くの時間を費やすよう参加者を誘惑していることに嫌悪感を抱いているんだ。ニューラルネットは80年代から存在し、当時から最高レベルの数学者によってマーケットに応用されている。
ニューラルネットや複雑なモデルを「肉」人形に食べさせ、何年も取引から目をそらさせ、知的能力を挫くのです。実際、クールなヘッジファンドはJMA を使っているし、margindale もそうだと思う。だから、あれほど素晴らしいイールドカーブを描くのだ。大切なのは、自分のニーズに合った取引システムを見つけ、TSのルールを厳格に守ること、あとは邪道です。
1) アイデアはそうだったが、試したことはない。 ネットワークに何を送るか、その結果（目標）は何かを決める必要がある。等比級数を使って、伸びていれば良い、落ちていれば悪い、だがニュアンスはある
2) パラメータが多いのは良くない。
最初のレイヤーは、指標の相関を探し、最も相関が高く、重複する相関を破棄します。2番目のレイヤーは、残りの指標を考慮に入れて、EA変数を送信し、選択した指標への影響を調べます。より多くの利益、より少ない損失、より少ないドローダウン、そして1取引あたりの利益を追求し、その際、取引回数の多さを優先しています。
二日目のために私は座って、手でそのようなことを行うには、TSの3変数があります - ので、すべてが一義的ではありません:)
ところで、どなたかご存知かもしれませんが、独立した数値列（最適化結果の 指標）があり、それがサブグループに分けられるので、それぞれのサブグループの指標を正規化するのですが、サブグループの大きさは同じなのに、正規化する前と後の相関をとると、以前は相関があったのが、今はない場合があるのです。全数の系列で相関を確認しています。この効果にはどのような意味があるのでしょうか？相関関係が誤ったもので、正規化によってそれが示されたという前提がある。はい、グループ内の最大指数に対するパーセンテージで正規化します。
科学者」がここで人々を混乱させ、学位や教育の数でやる気を失わせ、100％有望でない取引システムに多くの時間を費やすよう参加者を誘惑していることに、私はただうんざりしているのです。マーケットにニューラルネットワークは必要ない。80年代から存在し、当時から最高レベルの数学者によってマーケットに応用されている。マーケットでの使用で特に優れている人はいない。シンプルなインジケータベースのシステムの方がはるかに効果的であることは誰もが認めている。確かに通常のワイパーやストキャスティクスではなく、例えばJMAで 優れたマネーマネジメントを行っている。
ニューラルネットや複雑なモデルを「肉」人形に食べさせ、何年も取引から目をそらさせ、知的能力を挫くのです。実際、クールなヘッジファンドはJMA を使って いるし、margindale もそうだと思う。だから、あれほど素晴らしいイールドカーブを描くのだ。大切なのは、自分のニーズに合った取引システムを見つけ、TSのルールを厳格に守ることであり、あとはすべて悪である。
プロクラスタ分析、デルタなど本当に相場を動かすものは理解できますが、約2006年に開発され、人々に採用されpipsで決まるJMAを使って、JMAはBOMより少し、ほんの少しですが、リスクのあるMMで、10年後のある時期に利益につながるかもしれないと実感しなければならないのです。クールなヘッジファンドはJMAではなく、SOTレポート、ボリューム分析、オプションレベル、あなたのJMAではないと思います。もしあなたが指標に頼っているのなら、あなたと話すことは何もありません。あなたは本当にマーケットとは何か、その参加者とは誰かを理解していないのですから............。
ハローフレンドPythonでこれを行う正しい方法を教えてください。
Для примера построим график продаж видео игр в различных странах в зависимости от года.
Для начала отфильтруем только нужные нам столбцы, затем посчитаем суммарные продажи по годам и у получившегося dataframe вызовем функцию plot без параметров.
sales_df = df[[x for x in df.columns if 'Sales' in x] + ['Year_of_Release']]
sales_df.groupby('Year_of_Release').sum().plot()
問題は、カラム名が数字で構成されていることですが、数字を正しく指定するにはどうしたらよいのでしょうか -シンタックス？
sales_df.groupby(2).sum().plot()
エラーを出し
TypeError Traceback (most recent call last)
<ipython-input-75-494 b1527114a> in <module>()
----> 1 sales_df = df[[x for x in df.columns if 1 in x] + [2]]
TypeError: argument of type 'numpy.int64' is not iterable
倒置コンマは？Pythonはhello worldレベルですが、使えるかもしれませんね。
sales_df.groupby('2').sum().plot()
倒置コンマは？Pythonはハローワールドレベルで知っていますが、もしかしたらうまくいくかもしれませんね。
sales_df.groupby('2').sum().plot()
もう全部試しました。