Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1923

Novo comentário
 
mytarmailS:


É impressão minha ou você está reduzindo a dimensão sem um professor? Estou falando de "uwot" (umap).

 
Vladimir Perervenko:

É impressão minha ou você está reduzindo dimensionalmente sem um professor? Estou falando de "uwot" (umap).

Sim, só eu uso o pacote "umap".

 
mytarmailS:

Sim, só eu uso o pacote "umap".

Isso não faz sentido. Reduzir a dimensionalidade a um espaço que corresponda ao seu espaço alvo é o propósito da conversão. Também estes são os únicos dois pacotes que fornecem a capacidade de lidar com novos dados (válido/teste) e não apenas treinar como o tSNE.

Depois da transformação, agrupar com dbscan. Os clusters obtidos são como um preditor adicional para as variáveis a serem introduzidas. Pode haver algumas variações.

Boa sorte.

[Excluído]  
mytarmailS:

Sim, só eu uso o pacote "umap".

Qual é o nome do método em si? O que é afinal? Gostava de o ver em Python.

algum tipo de ameba e vida celular nas fotos.

O mágico mostrou transformações semelhantes, a propósito. Ele tinha pontos que se esticavam e encolhiam em elipses, eu lembro-me de algo assim.

 
Maxim Dmitrievsky:

Qual é o nome do método em si? O que é, afinal? Em Python eu gostaria de ver

alguma vida de amebas e células em imagens

Em Python, o pacote umap tem o mesmo nome.

[Excluído]  
Vladimir Perervenko:

Em Python o pacote de ump com o mesmo nome.

Obrigado, eu vou dar uma olhadela.

 
Vladimir Perervenko:

Reduza a dimensionalidade a um espaço que corresponda ao seu alvo - esse é o propósito da transformação.

Bem, como se faz isso, de onde se obtém esta correspondência e o que quer dizer com isso?

Vladimir Perervenko:

Além disso, são os únicos dois pacotes que oferecem a possibilidade de processar novos dados (válidos/teste) e não apenas treinar como o tSNE.

Eu sei, foi por isso que os escolhi.

Vladimir Perervenko:

Após a transformação em cluster com dbscan. Os clusters obtidos como preditor adicional das variáveis a serem introduzidas. Há variantes possíveis aqui.

Eu sei)) Eu escrevi sobre o dbscan na página anterior )

Mas com isso, também será um incômodo, primeiro, com a mesma necessidade de se brincar e segundo, é muito lento para reconhecer novos dados.

Li algures - quer o pacote esteja planeado ou no truque p-studio deva aparecer - que o cluster será seleccionável manualmente, directamente com o rato, não ouviu falar?

 
Maxim Dmitrievsky:

Obrigado, eu vou dar uma olhada.

Estou apenas a usá-lo, ou melhor, o seu invólucro em R

 
mytarmailS:

Então, como se faz, de onde se obtém esta correspondência e o que se quer dizer com isso?

Eu sei, foi por isso que escolhi este pacote.

Eu sei))) escreveu na página anterior sobre a dbscan )

Mas com isso, também seria um incômodo, primeiro, com aglomerados, mesmo assim, você tem que brincar e segundo, é muito lento para reconhecer novos dados.

Eu li em algum lugar - ou o pacote está planejado para fazer ou no chip p-studio teve que aparecer - que o cluster será selecionável manualmente diretamente com o mouse, não ouviu falar sobre isso?

Em ordem:

Você define as constantes:

#---const-------------------------------
 evalq({
  n_n <- 15 L
  min_d <- 0.1
  n_c <- 3 L
  metr <- "euclidean" #"euclidean" (the default) "cosine" "manhattan"
  lr <- 0.75
  scale <- "none" 
  #               "none"
  #               "scale" or TRUE ,
  #               "maxabs" Center each column to mean 0, then divide each element by the maximum 
  #                         absolute value over the entire matrix.
  #               "range"
  init <- "spectral" # "spectral" # "normlaplacian". # "random".
  # "lvrandom". # "laplacian".  # "pca". # "spca".
}, env)

Para ensinar com um professor só precisamos adicionar o target y à fórmula e especificar que precisamos devolver um modelo (ret_model = TRUE). 

#-----superveised------------------
 evalq({
  y <- factor(denoiseX1pretrain$origin$y)
  origin.sumap <- umap(X = x, y = y, approx_pow = TRUE, n_neighbors = n_n, 
                       learning_rate = lr, min_dist = min_d, n_components = n_c, ret_model = TRUE,
                       metric = metr, init = init, n_threads = 4 L, scale = scale)
}, env)

Com o modelo instalado, podemos converter o resto dos subconjuntos do trem/teste/teste1 do grupo de dados de origem também em tridimensionais. Abaixo está o código 

#---train--------------------------------
evalq({
  set.seed(1337)
  umap_transform(X = X1$train$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> train.sumap
}, env)
#---test--------------------------------
evalq({
  set.seed(1337)
  umap_transform(X = X1$test$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test.sumap
}, env)
#---test1-------------------------------
evalq({
  set.seed(1337)
  umap_transform(X = X1$test1$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test1.sumap
}, env)

Substitua o seu x/y e obtém dados tridimensionais divididos em dois grupos. Extraído de um artigo inacabado. Tenho algumas fotografias algures, mas não as consigo encontrar agora. Se eu precisar deles, procuro-os amanhã. Mas acho que podes ter o teu.

Boa sorte.

 

Encontrado

resdimX1_origem

1...191619171918191919201921192219231924192519261927192819291930...3399
Novo comentário