Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2391

[[Удален]]

welimorn:

Я могу свои скриптульки скинуть, может помогут чем.

вроде понятно как делать

[Evgeni Gavrilovi]

Maxim Dmitrievsky

могу статью написать

это было бы замечательно) всегда рад видеть статьи от вас.

[[Удален]]

Evgeni Gavrilovi:

это было бы замечательно) всегда рад видеть статьи от вас.

сам всегда радуюсь чему-то новому, но таковое придумывать все сложнее и сложнее с каждым разом )

пока качественных изменений нет по сравнению с предыдущим, не вижу смысла писать

[Evgeni Gavrilovi]

Maxim Dmitrievsky:

сам всегда радуюсь чему-то новому, но таковое придумывать все сложнее и сложнее с каждым разом )

пока качественных изменений нет по сравнению с предыдущим, не вижу смысла писать

Вы можете поделиться примером как вместо GMM использовать эту глубокую нейросеть? 

https://www.tensorflow.org/api_docs/python/tf/estimator/DNNClassifier

надо заменить 

gmm = mixture.GaussianMixture(n_components=75, covariance_type='full').fit(X)

на это: tf.estimator.DNNClassifier

[[Удален]]

Evgeni Gavrilovi:

Вы можете поделиться примером как вместо GMM использовать эту глубокую нейросеть? 

https://www.tensorflow.org/api_docs/python/tf/estimator/DNNClassifier

надо заменить 

на это: tf.estimator.DNNClassifier

никак, это совершено разные вещи

[Evgeni Gavrilovi]

Maxim Dmitrievsky

MLPClassifier тоже не подходит к данной задаче?

Там есть метод для оценки вероятности, к какому классу относится сэмпл. 

https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html

[[Удален]]

Evgeni Gavrilovi:

MLPClassifier тоже не подходит к данной задаче?

Там есть метод для оценки вероятности, к какому классу относится сэмпл. 

https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html

Это же разные модели. GMM используется для оценки плотности вероятности и семплинга примеров, а классификатор классифицирует

видимо, вы хотите заменить CatBoost на нейросеть. Но в этом нет большого смысла.

[Evgeni Gavrilovi]

Maxim Dmitrievsky:

Это же разные модели. GMM используется для оценки плотности вероятности и семплинга примеров, а классификатор классифицирует

видимо, вы хотите заменить CatBoost на нейросеть. Но в этом нет большого смысла.

там вы пишите, что нейросеть лучше подходит, чем GMM

https://www.mql5.com/ru/forum/356331#comment_19373237

[[Удален]]

Evgeni Gavrilovi:

там вы пишите, что нейросеть лучше подходит, чем GMM

https://www.mql5.com/ru/forum/356331#comment_19373237

Речь шла про генеративные сети и автоэнкодеры. Я протестировал классические версии, они хуже. Уже писал раньше в этой теме и код на питорче скидывал вроде.

[[Удален]]

Evgeni Gavrilovi:

там вы пишите, что нейросеть лучше подходит, чем GMM

https://www.mql5.com/ru/forum/356331#comment_19373237

Присмотритесь к такой модели https://sdv.dev/SDV/user_guides/timeseries/par.html

сам пока не пробовал, нужно будет погенерировать и повизуализировать

насколько понял, модель в активной разработке, можно общаться с разрабами напрямую

+ отправил новую статью на проверку, с новыми идеями