Forecastable component analysis (ForeCA) is a novel dimension reduction (DR) technique to find optimally forecastable signals from multivariate time series (published at JMLR). ForeCA works similar to PCA or ICA, but instead of finding high-variance or statistically independent components, it finds forecastable linear combinations. ForeCA is...
마법사_ : 그리고 원하는 모든 사람. z1 아카이브에는 두 개의 파일 train 및 test가 포함되어 있습니다. Target의 경우 기차에서 모델을 빌드하고 테스트에 적용하고 결과를 %로 배치합니다(성공적으로 예측 사례) 두 샘플 모두(열차 = xx%, 테스트 = xx%). 방법과 모델은 말할 필요가 없고 숫자만 있으면 됩니다. 모든 데이터 조작이 허용됩니다. 및 추출 방법.
1. 모든 예측 변수는 예측적이지 않습니다. 예외 없이 모두 노이즈입니다.
2. rf, ada, SVM의 세 가지 모델이 구축됩니다. 결과는 다음과 같습니다.
RF
전화:
randomForest(수식 = TFC_Target ~ .,
데이터 = crs$dataset[crs$sample, c(crs$input, crs$target)],
나는 그것을 읽었고 설명으로 판단하면 이것은 매우 좋은 패키지입니다(ForeCA, R 저장소에도 있으므로 github에서 다운로드할 필요가 없습니다). 주요 기능은 데이터의 "예측 가능성"을 평가하는 것입니다. 여기에 더해 중요한 것은 데이터의 차원을 줄이는 데 사용할 수 있습니다. 즉, 사용 가능한 예측 변수 중에서 이 패키지는 놀랍도록 좋은 예측 가능성으로 두 개의 새 예측 변수를 만듭니다. 동시에 쓰레기 등을 제거합니다. 주요 구성 요소의 방법과 다소 유사하지만 구성 요소 대신 자체적으로 제공합니다.
매우 간단하다면 이 패키지에 많은 예측 변수(가격, 지표, 델타, 모든 종류의 쓰레기 등)가 있는 테이블을 제공합니다. ForeCA는 원래 테이블을 대체할 새 테이블을 발행합니다. 이 새 테이블을 사용하여 예측 모델(gbm, rf, nnet 등)을 훈련합니다. 조금 더 복잡하면 교환에 대한 편향이 있는 원자력 데이터 변환 을 위한 또 다른 패키지입니다.
설명으로 판단하여 읽었습니다. 이것은 매우 좋은 패키지입니다(ForeCA, R 저장소에도 있으므로 github에서 다운로드할 필요가 없습니다). 주요 기능은 데이터의 "예측 가능성"을 평가하는 것입니다. 여기에 더해 중요한 것은 데이터의 차원을 줄이는 데 사용할 수 있습니다. 즉, 사용 가능한 예측 변수 중에서 이 패키지는 놀랍도록 좋은 예측 가능성으로 두 개의 새 예측 변수를 만듭니다. 동시에 쓰레기 등을 제거합니다. 주요 구성 요소의 방법과 다소 유사하지만 구성 요소 대신 자체적으로 제공합니다.
매우 간단하다면 이 패키지에 많은 예측 변수(가격, 지표, 델타, 모든 종류의 쓰레기 등)가 있는 테이블을 제공합니다. ForeCA는 원래 테이블을 대체할 새 테이블을 발행합니다. 이 새 테이블을 사용하여 예측 모델(gbm, rf, nnet 등)을 훈련합니다. 조금 더 복잡하면 교환에 대한 편향이 있는 원자력 데이터 변환을 위한 또 다른 패키지입니다.
Ok))) 그러나 약관을 주의 깊게 읽으십시오 - "두 샘플(train = xx%, test = xx%)에 대한 결과를 %(성공적으로 예측된 사례)로 배치합니다. 방법 및 모델은 음성으로 표시할 필요가 없으며 숫자만 표시됩니다." 더 많은 결과를 기다리고 있습니다. Mihail Marchukajtes가 어떤 결론을 내릴 수 있는지 궁금합니다.
마법사_ : Ok))) 그러나 약관을 주의 깊게 읽으십시오 - "두 샘플(train = xx%, test = xx%)에 대한 결과를 %(성공적으로 예측된 사례)로 배치합니다. 방법 및 모델은 음성으로 표시할 필요가 없으며 숫자만 표시됩니다." 더 많은 결과를 기다리고 있습니다. Mihail Marchukajtes가 어떤 결론을 내릴 수 있는지 궁금합니다.
내가 올바르게 이해한다면 예측 가능한 BP와 그렇지 않은 BP를 선택할 수 있는 패키지
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
그리고 원하는 모든 사람. z1 아카이브에는 두 개의 파일 train 및 test가 포함되어 있습니다. Target의 경우 기차에서 모델을 빌드하고 테스트에 적용하고 결과를 %로 배치합니다(성공적으로 예측
사례) 두 샘플 모두(열차 = xx%, 테스트 = xx%). 방법과 모델은 말할 필요가 없고 숫자만 있으면 됩니다. 모든 데이터 조작이 허용됩니다.
및 추출 방법.
1. 모든 예측 변수는 예측적이지 않습니다. 예외 없이 모두 노이즈입니다.
2. rf, ada, SVM의 세 가지 모델이 구축됩니다. 결과는 다음과 같습니다.
RF
전화:
randomForest(수식 = TFC_Target ~ .,
데이터 = crs$dataset[crs$sample, c(crs$input, crs$target)],
ntree = 500, mtry = 3, 중요도 = TRUE, 바꾸기 = FALSE, na.action = randomForest::na.roughfix)
랜덤 포레스트 유형: 분류
나무 수: 500
아니요. 각 분할에서 시도된 변수 수: 3
오류율의 OOB 추정치: 49.71%
혼란 매트릭스:
[0, 0] (0, 1] 클래스 오류
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
에이다
전화:
ada(TFC_Target ~ ., 데이터 = crs$dataset[crs$train, c(crs$input,
crs$target)], 제어 = rpart::rpart.control(최대 깊이 = 30,
cp = 0.01, minsplit = 20, xval = 10), iter = 50)
손실: 지수 방법: 이산 반복: 50
데이터에 대한 최종 혼동 행렬:
최종 예측
참값(0.1] [0.0]
(0.1] 303 37
[0.0] 29,331
기차 오류: 0.094
Out-Of-Bag 오류: 0.157 반복 = 50
SVM
SVM 모델 요약(ksvm을 사용하여 구축):
"ksvm" 클래스의 벡터 머신 객체 지원
SV 유형: C-svc(분류)
매개변수: 비용 C = 1
가우스 방사형 기저 커널 함수.
초매개변수: 시그마 = 0.12775132444179
서포트 벡터 수 : 662
목적 함수 값 : -584.3646
훈련 오류: 0.358571
확률 모델이 포함되어 있습니다.
소요시간: 0.17초
테스트 세트에서 (당신의 것이 아니라 덜컥거리는 의미에서)
test.csv [validate](개수)의 Ada Boost 모델에 대한 오류 행렬:
예측
실제(0.1] [0.0]
[0.0] 33 40
(0.1] 35 42
test.csv [validate](비율)의 Ada Boost 모델에 대한 오류 행렬:
예측
실제(0.1] [0.0] 오류
[0.0] 0.22 0.27 0.55
(0.1] 0.23 0.28 0.45
전체 오차: 50%, 평균 클래스 오차: 50%
래틀 타임스탬프: 2016-08-08 15:48:15 사용자
===================================================== =====================
test.csv [validate](개수)의 Random Forest 모델에 대한 오류 행렬:
예측
실제[0,0](0,1]
[0.0] 44 29
(0.1] 44 33
test.csv [validate](비율)의 Random Forest 모델에 대한 오류 행렬:
예측
실제[0,0](0,1] 오류
[0.0] 0.29 0.19 0.40
(0.1] 0.29 0.22 0.57
전체 오차: 49%, 평균 클래스 오차: 48%
래틀 타임스탬프: 2016-08-08 15:48:15 사용자
===================================================== =====================
test.csv [validate](개수)의 SVM 모델에 대한 오류 행렬:
예측
실제[0,0](0,1]
[0.0] 41 32
(0.1] 45 32
test.csv [validate](비율)의 SVM 모델에 대한 오류 행렬:
예측
실제[0,0](0,1] 오류
[0.0] 0.27 0.21 0.44
(0.1] 0.30 0.21 0.58
전체 오차: 51%, 평균 클래스 오차: 51%
래틀 타임스탬프: 2016-08-08 15:48:15 사용자
랜덤포레스트에 대한 ROC 분석
위 사항을 확인합니다.
결론.
당신의 예측 변수는 절망적입니다.
내가 올바르게 이해한다면 예측 가능한 BP와 그렇지 않은 BP를 선택할 수 있는 패키지
나는 그것을 읽었고 설명으로 판단하면 이것은 매우 좋은 패키지입니다(ForeCA, R 저장소에도 있으므로 github에서 다운로드할 필요가 없습니다). 주요 기능은 데이터의 "예측 가능성"을 평가하는 것입니다.
여기에 더해 중요한 것은 데이터의 차원을 줄이는 데 사용할 수 있습니다. 즉, 사용 가능한 예측 변수 중에서 이 패키지는 놀랍도록 좋은 예측 가능성으로 두 개의 새 예측 변수를 만듭니다. 동시에 쓰레기 등을 제거합니다. 주요 구성 요소의 방법과 다소 유사하지만 구성 요소 대신 자체적으로 제공합니다.
매우 간단하다면 이 패키지에 많은 예측 변수(가격, 지표, 델타, 모든 종류의 쓰레기 등)가 있는 테이블을 제공합니다. ForeCA는 원래 테이블을 대체할 새 테이블을 발행합니다. 이 새 테이블을 사용하여 예측 모델(gbm, rf, nnet 등)을 훈련합니다.
조금 더 복잡하면 교환에 대한 편향이 있는 원자력 데이터 변환 을 위한 또 다른 패키지입니다.
모든 것이 훌륭하게 들리고, 너무 많아도 여전히 확인해야 합니다.
내가 올바르게 이해한다면 예측 가능한 BP와 그렇지 않은 BP를 선택할 수 있는 패키지
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
매우 궁금합니다.
패키지가 설치되고 설명서를 사용할 수 있습니다.
누군가 시도하고 결과를 게시할 수 있습니까?
설명으로 판단하여 읽었습니다. 이것은 매우 좋은 패키지입니다(ForeCA, R 저장소에도 있으므로 github에서 다운로드할 필요가 없습니다). 주요 기능은 데이터의 "예측 가능성"을 평가하는 것입니다.
여기에 더해 중요한 것은 데이터의 차원을 줄이는 데 사용할 수 있습니다. 즉, 사용 가능한 예측 변수 중에서 이 패키지는 놀랍도록 좋은 예측 가능성으로 두 개의 새 예측 변수를 만듭니다. 동시에 쓰레기 등을 제거합니다. 주요 구성 요소의 방법과 다소 유사하지만 구성 요소 대신 자체적으로 제공합니다.
매우 간단하다면 이 패키지에 많은 예측 변수(가격, 지표, 델타, 모든 종류의 쓰레기 등)가 있는 테이블을 제공합니다. ForeCA는 원래 테이블을 대체할 새 테이블을 발행합니다. 이 새 테이블을 사용하여 예측 모델(gbm, rf, nnet 등)을 훈련합니다.
조금 더 복잡하면 교환에 대한 편향이 있는 원자력 데이터 변환을 위한 또 다른 패키지입니다.
모든 것이 훌륭하게 들리고, 너무 많아도 여전히 확인해야 합니다.
사전 선택이 필요하지 않습니까?
얘들아, 받아!
결론.
당신의 예측 변수는 절망적입니다.
"두 샘플(train = xx%, test = xx%)에 대한 결과를 %(성공적으로 예측된 사례)로 배치합니다. 방법 및 모델은 음성으로 표시할 필요가 없으며 숫자만 표시됩니다."
더 많은 결과를 기다리고 있습니다. Mihail Marchukajtes가 어떤 결론을 내릴 수 있는지 궁금합니다.
Ok))) 그러나 약관을 주의 깊게 읽으십시오 -
"두 샘플(train = xx%, test = xx%)에 대한 결과를 %(성공적으로 예측된 사례)로 배치합니다. 방법 및 모델은 음성으로 표시할 필요가 없으며 숫자만 표시됩니다."
더 많은 결과를 기다리고 있습니다. Mihail Marchukajtes가 어떤 결론을 내릴 수 있는지 궁금합니다.
테스트는 필요하지 않습니다!
모델을 학습시킬 수 없습니다! 빈 공간을 테스트할 수 없습니다.
읽어보니 설명으로 보아 아주 좋은 패키지입니다(ForeCA, ..............