Обсуждение статьи "Реализация модели гауссовской смеси в MQL5"

[MetaQuotes]

Опубликована статья Реализация модели гауссовской смеси в MQL5:

В статье рассматриваются теоретические основы и практическая реализация модели смеси нормальных распределений (Gaussian Mixture Model) на языке MQL5. Представлен класс CGMM и примеры его использования, а также методология выбора оптимального количества компонентов модели с помощью информационных критериев AIC/BIC. Значительное внимание уделяется принципу работы EM-алгоритма — признанного стандарта при обучении вероятностных моделей со скрытыми(латентными) переменными. Реализована поддержка режима обучения MAP и инициализация параметров с помощью K-Means++. Готовый инструмент для кластеризации, оценки многомерной плотности и генерации данных теперь доступен и в MetaTrader 5.

Модель смеси нормальных распределений (Gaussian Mixture Model, GMM) — один из самых ярких и классических примеров машинного обучения без учителя (unsupervised learning). Это параметрическая вероятностная модель, предполагающая, что наблюдаемые данные порождены взвешенной суммой нескольких гауссовых распределений.

где:

• πk — коэффициенты смешивания k-го компонента смеси (∑πk = 1),
• μk — вектор математического ожидания k-го компонента,
• Σk — ковариационная матрица k-го компонента,
• N — многомерная нормальная плотность.

В отличие от классических алгоритмов кластеризации (например, k-means), GMM не просто делит данные на группы, а моделирует вероятностную структуру данных. Благодаря этому каждая точка может в разной степени принадлежать сразу нескольким кластерам.

Реальные данные не всегда укладываются в одно нормальное распределение. Часто они образуют несколько групп (кластеров) с разными центрами, формами и ориентацией в пространстве. В качестве примера на рис. 1 схематически изображены три нормальные компоненты в двухмерном пространстве.

Автор: Evgeniy Chernish