Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 372
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
http://sci.alnam.ru/book_dsp.php
mas não há imagem na p. 126.
não uma fotografia...
Guarde o exemplo como uma fotografia e carregue-o aqui
não uma fotografia...
E guarda o exemplo como uma fotografia e coloca-o aqui.
Ai é?
Ai é?
o livro é o tal.
p. 126
Exemplo 5.4.
o livro é o tal.
p. 126
Exemplo 5.4.
Sim, não percebi logo..., aqui...
Sim, eu não percebi logo..., aqui tens.
agora isso é bom ;)
Não pode haver dependência onde não há correlação. A correlação pode ser linear ou não-linear, mas será se houver dependência.
Pode haver uma correlação quando não há correlação - uma falsa correlação.
Eu não apaguei um único post neste tópico.
Bendat J., Pearsol A.
Análise Aleatória de Dados Aplicada: Traduzido do inglês: World, 1989.
Na p. 126
EXEMPLO 5.4. VARIÁVEIS ALEATÓRIAS DEPENDENTES NÃO CORRELACIONADAS.
"Este documento discute em detalhes o problema do supertreinamento da rede neural, identifica suas causas e propõe uma maneira de resolver o problema.
1. Porque é que uma rede neural é requalificada?
Qual é a razão para o re-treinamento da rede neural? Na verdade, pode haver várias razões para isso:- O número de exemplos em uma amostra de treinamento não é suficiente para resolver problemas fora da amostra.
- Os dados de entrada são desigualmente distribuídos pelo grau de correlação com os dados de saída em diferentes amostras, o que é muito frequentemente o caso quando se processam dados não estacionários. Por exemplo, em uma amostra de treinamento, a correlação de qualquer parâmetro de entrada ou vários parâmetros de entrada com relação aos valores de saída é significativamente maior do que em uma amostra de teste, ou pior, os coeficientes de correlação em diferentes amostras diferem em sinal. Isto pode ser facilmente verificado calculando coeficientes de correlação para todos os parâmetros em diferentes amostras antes de treinar a rede neural. E para se livrar deste inconveniente também é bastante simples - os exemplos de treino são distribuídos entre amostras aleatoriamente.
- Os parâmetros de entrada não estão relacionados aos parâmetros de saída, ou seja, não há relação causa-efeito entre eles - eles não são representativos e, portanto, não há nada para treinar a rede neural. E a verificação de correlações entre entradas e saídas mostrará uma correlação próxima a zero. Neste caso, você deve procurar por outros dados de entrada para treinar a rede neural.
- Os dados de entrada estão altamente correlacionados uns com os outros. Neste caso, você deve deixar os dados de entrada com a correlação máxima com os dados de saída e excluir os outros dados que estão bem correlacionados com os restantes.
Todas as razões acima mencionadas para o excesso de treinamento e os métodos para eliminá-las são de conhecimento comum, como já foram descritas anteriormente em várias literaturas ou artigos sobre tecnologia de redes neurais. "Dmitry, desculpa, mas suspeito que ou estás a tentar enganar-me, ou a brincar, ou apenas estúpido, com todo o respeito... Não se pode ver de um exemplo trivial que dois atributos têm ambos correlação zero com o alvo, MAS ambos são significativos, nenhum deles pode ser abandonado, a dependência linear é zero, não 100% linear, ou seja, a correlação pode ser zero e o conjunto de dados é completamente previsível, o que a sua afirmação é completamente previsível:
refuta completamente.
Claro que estou a ser parvo!
Escrevi claramente neste tópico: "Vou ser honesto e franco - diagnostiquei-me com NS há alguns anos atrás e abandonei este método.Então como exatamente para NS - difícil para mim dizer. Talvez haja algo na NS que lhe permita encher tudo à mão sem pré-selecção.Para todos os métodos de DM a abordagem que tenho indicado". (с)
Se eu escrevi várias vezes que não sou versado no NS e não sei como as coisas funcionam lá, e aparece algo que começa a gritar e a dar exemplos do NS - que queixas para mim?
Eu escrevi clara e francamente:
1. A dimensionalidade diminuirá.
2. sobre a precisão do modelo - NÃO CONHECO!
Mas ainda haverá alguém que começará a ficar burro....
A correlação das variáveis não significa a possibilidade de predição. Os pares podem ser correlacionados. Isso significa que eles estão correlacionados, mas é impossível prever um deles através do outro, porque eles mudam simultaneamente e não antecipam. Isso é no que diz respeito à correlação!!!!
Não sejas estúpido.
Se queres mesmo brincar, procura no Google, por exemplo, trocas a vapor.
Mentiras novamente, não há correlação não linear é uma estrutura matemática definida RAMENTE como adição ou cosseno, pelo menos estude wikipedia antes de falar bobagens.
Vamos passar por isso como na escola - a partir do básico. O que é "correlação não-linear" e como é calculada:
http://metr-ekon.ru/index.php?request=full&id=412