記事「機械学習におけるガウス過程（第2回）：MQL5での分類モデルの実装とテスト」についてのディスカッション

[MetaQuotes]

新しい記事「機械学習におけるガウス過程（第2回）：MQL5での分類モデルの実装とテスト」はパブリッシュされました:

MQL5におけるガウス過程ライブラリの主要なインターフェースであるIKernel、ILikelihood、IInferenceの実装について見ていきます。また、合成データを使用してその動作を確認し、分類用および回帰用のインジケータを実装します。これらのインジケータでは、新しいバーが追加されるたびにモデルを再学習するオンラインモードでの動作を確認します。

前回の記事では、ベイズ機械学習モデルであるガウス過程の理論的基礎について学び、MQL5でGPライブラリの作成を開始しました。その中で、GaussianProcessとGPOptimizationObjectiveという2つの主要なクラスについて説明しました。

今回は、主要なインターフェースであるILikelihood、IInferenceの実装について見ていきます。その後、合成データを使用してライブラリをテストし、分類用および回帰用のインジケータを作成します。これらをオンラインモードで動作させ、新しいバーが追加されるたびにモデルを再学習するオンラインモードでの動作を確認します。

作者: Evgeniy Chernish

[cemal]

こんにちは、

添付の画像のように、t+1などの予測ではなく、ラジアル基底関数を用いたGP回帰モデルで価格系列の分散を推定する方法について、具体例を示していただけますか？

[Evgeniy Chernish]

cemal #:
こんにちは、

添付の画像のように、t+1などの予測を行う代わりに、ラジアル基底関数を用いたGP回帰モデルを使って価格系列の分散を調整する方法を、具体例を挙げてご説明いただけませんか？

こんにちは！

このような感じでしょうか？

これで、1ステップ先の予測ではなく、学習データセットの平均と分散が表示されるようになりました。

[cemal]

本当にありがとうございます。とても親切ですね。

ガウス過程回帰モデルは、オンライン学習が可能で、データの平均や分散にリアルタイムで適応させることができますか？

[Evgeniy Chernish]

cemal #:

本当にありがとうございます。とても親切ですね。

ガウス過程に基づく回帰モデルをオンラインで学習させ、データの平均値や分散にリアルタイムで適応させることが可能でしょうか？

はい、もちろんです。まさにそれがGPRegressor.m q5スクリプトの機能です。