Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3029
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Сложно описали. Сортируете столбец и делите его например на 32 части, если есть дубликаты, то то все их в квант закидываете. Если в столбце только 0 и 1 то будет 2 кванта, а не 32 (ибо дубликаты).
Вы про метод, а я про цель. Методы могут быть разные. Скажу так - эмпирические методы пока оказываются чаще лучше, чем математические. Возможно, от того, что у нас нет полных данных о генеральной выборке.
По сути, получается что на каждом предикторе отдельно строится дерево.
Да, так строятся деревья C4.5 для дискретных значений. Один сплит.
Вы про метод, а я про цель. Методы могут быть разные. Скажу так - эмпирические методы пока оказываются чаще лучше, чем математические. Возможно, от того, что у нас нет полных данных о генеральной выборке.
Для НЕстационарных данных вообще нет понятия "генеральной выборки", ничего нет кроме хвостов. В этом вся проблема, именно поэтому любые оценки, полученные при обучении, крайне сложно получить в будущем.
Для НЕстационарных данных вообще нет понятия "генеральной выборки", ничего нет кроме хвостов. В этом вся проблема, именно поэтому любые оценки, полученные при обучении, крайне сложно получить в будущем.
Она нам не известна. Точней не известна настоящая плотность распределения, а мы наблюдаем только выдержки - поэтому и такие колебания...
Я не живу по понятиям :)
Поэтому сами расскажите мне, как такое явление называется, которое мы не можем наблюдать, так как в процессе его находимся, а оно завершено давно в далеких приделах космоса...
Для НЕстационарных данных вообще нет понятия "генеральной выборки", ничего нет кроме хвостов. В этом вся проблема, именно поэтому любые оценки, полученные при обучении, крайне сложно получить в будущем.
Правильно, СанСаныч.
Нестационарные данные всегда подчиняются суммарному воздействию других нестационарных данных. От которых будут зависеть хвосты.
Диапазон значений предиктора, который описывает данные.
Тут практически описал алгоритм - там и картинка есть с RSI.
ну понял, понаразделять все и вся и отдельно исследовать
не понял почему они квантовыене понял почему они квантовые
потому что пацан не живет по понятиям ,он же написал )
ну понял, понаразделять все и вся и отдельно исследовать
не понял почему они квантовыеНу тут скорей переводы виноваты... терминология такая.
Есть квантование и разные их методы, таблица содержащая точки разделения - квантовая таблица - это уже из инструкции CatBoost.
Квантовые отрезки - из квантовой таблицы, но крайние имеют приделы. Это уже моё изобретение.
Ну тут скорей переводы виноваты... терминология такая.
Есть квантование и разные их методы, таблица содержащая точки разделения - квантовая таблица - это уже из инструкции CatBoost.
Квантовые отрезки - из квантовой таблицы, но крайние имеют приделы. Это уже моё изобретение.
не квантовые, квантизованные наверное, по типу как здесь
5.4. Квантизация сверточных нейронных сетей
Классически, из-за очевидных оптимизационных трудностей, при квантизации нейронных сетей используют не просто целые числа, а аппрок- симацию чисел с плавающей запятой через целые. Широко используемым в литературе подходом [52, 54, 60] для приближения чисел с плавающей точ- кой через целые числа произвольной глубины является алгоритм, предло- женный в библиотеке Google GEMMLOWP [59]. Имея входной массив 𝑋, граничные значения [𝑣,𝑣], количество бит 𝑀, результат определен следующим образом:
𝑠𝑐𝑎𝑙𝑒 = (𝑣 − 𝑣)/2, (14) 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡 = 𝑟𝑜𝑢𝑛𝑑(min(max(−𝑣/𝑠𝑐𝑎𝑙𝑒, 0), 2)), (15) 𝑜𝑢𝑡𝑝𝑢𝑡 = 𝑟𝑜𝑢𝑛𝑑(𝑋/𝑠𝑐𝑎𝑙𝑒 + 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡). (16)
Так, для каждого массива из чисел с плавающей запятой мы получаем целочисленный массив 𝑜𝑢𝑡𝑝𝑢𝑡, целое число 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡, точно представля- ющее нуль, число двойной точности 𝑠𝑐𝑎𝑙𝑒, определяющее масштаб кванти- зации.
https://dspace.susu.ru/xmlui/bitstream/handle/0001.74/29281/2019_401_fedorovan.pdf?sequence=1&isAllowed=y
не квантовые, квантизованные наверное, по типу как здесь
5.4. Квантизация сверточных нейронных сетей
Классически, из-за очевидных оптимизационных трудностей, при квантизации нейронных сетей используют не просто целые числа, а аппрок- симацию чисел с плавающей запятой через целые. Широко используемым в литературе подходом [52, 54, 60] для приближения чисел с плавающей точ- кой через целые числа произвольной глубины является алгоритм, предло- женный в библиотеке Google GEMMLOWP [59]. Имея входной массив 𝑋, граничные значения [𝑣,𝑣], количество бит 𝑀, результат определен следующим образом:
𝑠𝑐𝑎𝑙𝑒 = (𝑣 − 𝑣)/2, (14) 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡 = 𝑟𝑜𝑢𝑛𝑑(min(max(−𝑣/𝑠𝑐𝑎𝑙𝑒, 0), 2)), (15) 𝑜𝑢𝑡𝑝𝑢𝑡 = 𝑟𝑜𝑢𝑛𝑑(𝑋/𝑠𝑐𝑎𝑙𝑒 + 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡). (16)
Так, для каждого массива из чисел с плавающей запятой мы получаем целочисленный массив 𝑜𝑢𝑡𝑝𝑢𝑡, целое число 𝑧𝑒𝑟𝑜_𝑝𝑜𝑖𝑛𝑡, точно представля- ющее нуль, число двойной точности 𝑠𝑐𝑎𝑙𝑒, определяющее масштаб кванти- зации.
https://dspace.susu.ru/xmlui/bitstream/handle/0001.74/29281/2019_401_fedorovan.pdf?sequence=1&isAllowed=y
Я же говорю - вопрос перевода - это все синонимы. Вот настройки CatBoost.