Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3040

 
mytarmailS #:
Стоит сравнить.. 
Я просто из любопытства смотрел

Сравнить не понятно как. По идее   upSample за счет дублирования одинаковых данных должно вести к переобучению, которое сразу не выявишь.

 
СанСаныч Фоменко #:

Сравнить не понятно как. По идее   upSample за счет дублирования одинаковых данных должно вести к переобучению, которое сразу не выявишь.

почему не выявишь?  трейн, тест , валидация и вперед

 
mytarmailS #:

почему не выявишь?  трейн, тест , валидация и вперед

Жаль, авар поменял

 
СанСаныч Фоменко #:

Жаль, авар поменял

почему?

[Удален]  
Милитаризм пришел и в эту милую няшную тему
 
Maxim Dmitrievsky #:
Милитаризм пришел и в эту милую няшную тему

Так это снайпер у него?

 

Пытаюсь как то линеаризировать пространство, или просто перевести нелинейное в более линейное пространсво. Заинтерисовался алгоритмом  "HLLE"


https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction


довольно интересно выглядит... Мне кажеться что АМО будет проще распознавать такие закарлючки чем цену как она есть

может кто подскажет почему идет такое мерзотное искажение цветов в анимации когда я закидываю сюда?


Кароч вот так выглядит преобразованая цена алгоритмом


кому охота поиграться

p <- cumsum(rnorm(400,sd = 0.01))+100
p <- stats::embed(p,dimension = 20)[,20:1]
plot(p[,20],t="l",pch=20)

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)

pp <- emb@org.data[,20]
xx <- emb@data@data

par(mar=c(2,2,2,2), mfrow=c(1,2))
plot(pp,t="l",pch=20)
plot(xx,t="p",pch=20)

for(i in 1:nrow(xx)){
  Sys.sleep(0.05)

  plot(pp,t="l",pch=20)
  points(i,pp[i],col=2,lwd=6)
  plot(xx, t="p",lwd=2,pch=20)
  points(xx[i,1],xx[i,2],col=2,lwd=6)
}
Файлы:
anigif.zip  6455 kb
[Удален]  

ну manifold learning с теми же проблемами, что pca

запаришься подбирать для нестационарных рядов

 
Maxim Dmitrievsky #:

ну manifold learning с теми же проблемами, что pca

запаришься подбирать для нестационарных рядов

А что там подбирать? там подбирать нечего , текущий паттерн преобразовал и другую размерность и все

 

сделал поприятнее картинку

p <- cumsum(rnorm(300,sd = 0.01))+100
n <- 10
p <- stats::embed(p,dimension = n)[,n:1]

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)
pp <- emb@org.data[,n]
xx <- emb@data@data


gg <- cbind.data.frame(time=1:length(pp),xx,pp)
library(patchwork)
library(ggplot2)
p1 <- ggplot(gg, aes(x =time, y = pp, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p2 <- ggplot(gg, aes(x = HLLE1, y = HLLE2, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p1 + p2 + plot_layout(nrow = 2)