Discussão do artigo "Processos gaussianos em machine learning (Parte 2): Implementação e teste do modelo de classificação em MQL5"

[MetaQuotes]

Novo artigo Processos gaussianos em machine learning (Parte 2): Implementação e teste do modelo de classificação em MQL5 foi publicado:

Nesta parte, analisaremos a implementação das interfaces principais da biblioteca de processos gaussianos em MQL5: IKernel, ILikelihood e IInference. Também demonstraremos seu funcionamento com dados sintéticos e escreveremos indicadores de classificação e regressão que mostrem sua operação em regime online, com retreinamento do modelo a cada nova barra.

No artigo anterior, apresentamos os fundamentos teóricos do modelo bayesiano de machine learning, os processos gaussianos (PG), e também iniciamos o desenvolvimento da biblioteca de PG em MQL5, descrevendo duas classes-chave: GaussianProcess e GPOptimizationObjective.

Hoje concluiremos o desenvolvimento da biblioteca, analisando em detalhes a implementação das interfaces-chave: IKernel, ILikelihood e IInference. Depois disso, testaremos a biblioteca com dados sintéticos e escreveremos indicadores para classificação e regressão, que mostrem sua operação em modo online, com o modelo sendo retreinado a cada nova barra.

Autor: Evgeniy Chernish

[cemal]

Olá,

Seria possível você dar um exemplo e mostrar como ajustar a variância de uma série de preços com seu regressor GP com função de base radial, como na imagem em anexo, em vez de prever o t+1 etc.?

[Evgeniy Chernish]

cemal #:
Olá,

Vocês poderiam dar um exemplo e mostrar como ajustar a dispersão da série de preços usando seu regressor GP com função de base radial, conforme a imagem em anexo, em vez de fazer a previsão para t+1 e assim por diante?

Bom dia!

É isso que você quer?

Agora não é exibida a previsão para o próximo passo, mas sim a média e a dispersão na amostra de treinamento.

[cemal]

Muito obrigado, foi muita gentileza sua.

Os modelos de regressão por processos gaussianos podem ser treinados no modo online, permitindo que se adaptem em tempo real à média e à variância dos dados?

[Evgeniy Chernish]

cemal #:

Muito obrigado, foi muito gentil da sua parte.

É possível treinar modelos de regressão baseados em processos gaussianos em tempo real, para que eles possam se adaptar à média e à dispersão dos dados em tempo real?

Sim, claro, é exatamente isso que o script GPRegressor.mq5 faz