Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3617

[[Удален]]

Те же самые признаки нет смысла брать с потолка, потому что есть специализированные алгоритмы:

1. Поиск частых подграфов (Frequent Subgraph Mining):

   Эти алгоритмы ищут подграфы, которые часто встречаются в наборе графов. Популярные алгоритмы включают:

   - gSpan

   - FSG (Frequent Subgraph Discovery)

   - FFSM (Fast Frequent Subgraph Mining)

2. Поиск схожих графов (Graph Similarity Search):

   Эти методы ищут графы, похожие друг на друга в наборе. Используются различные меры сходства графов, такие как:

   - Редакционное расстояние графов

   - Максимальное общее подграфовое изоморфное соответствие

   - Ядерные методы для графов

3. Обнаружение аномалий в графах:

   Эти алгоритмы ищут необычные или аномальные структуры в наборе графов:

   - Алгоритмы, основанные на плотности

   - Методы, основанные на случайных блужданиях

   - Спектральные методы

4. Классификация и кластеризация графов:

   Эти методы группируют похожие графы или классифицируют их по заданным категориям:

   - Графовые ядра

   - Графовые нейронные сети

   - Спектральная кластеризация графов

5. Обнаружение мотивов в графах:

   Эти алгоритмы ищут повторяющиеся структурные паттерны (мотивы) в графах:

   - FANMOD

   - NeMoFinder

   - MODA

6. Анализ эволюции графов:

   Эти методы изучают, как графы изменяются со временем:

   - Алгоритмы обнаружения изменений в динамических графах

   - Предсказание эволюции графа

[mytarmailS]

Ето реальные библиотеки или галюцинации гопоты?

[[Удален]]

mytarmailS #:
Ето реальные библиотеки или галюцинации гопоты?

Реальные, юзал уже

Прадо в своих примерах использует. Про остальные не знаю.

[[Удален]]

Такие графы в его датасете

Только с отличием, что в них есть два узла X и Y и промежуточные узлы

[[Удален]]

Ну и графовые нейронки, часто на базе сверточных слоев, тоже имеются. Типа такой вчера обучал.

[mytarmailS]

Я в графах к сожалению вообще не разбираюсь ни капельки

[[Удален]]

mytarmailS #:
Я в графах к сожалению вообще не разбираюсь ни капельки

взаимно )

[Roman]

Maxim Dmitrievsky #:

взаимно )

Ты писал, что в датасете надо найти взаимосвязь.
Когда я пробовал обучать модели на основе разных регрессий заметил, что чем выше корреляция между признаками, тем лучше обучалась модель.
Ну и предобработка датасета в виде центрирования данных уменьшала ошибку.
Так-же ты пишешь, что признаки надо ещё найти. Может поиск признаков по корреляции как-то прикрутить?
Ну и алгоритм PCA вроде уменьшает большую выборку, выделяя главные компоненты.
Просто поделился мыслью, мало ли.

[[Удален]]

Roman #:

Ты писал, что в датасете надо найти взаимосвязь.
Когда я пробовал обучать модели на основе разных регрессий заметил, что чем выше корреляция между признаками, тем лучше обучалась модель.
Ну и предобработка датасета в виде центрирования данных уменьшала ошибку.
Так-же ты пишешь, что признаки надо ещё найти. Может поиск признаков по корреляции как-то прикрутить?
Ну и алгоритм PCA вроде уменьшает большую выборку, выделяя главные компоненты.
Просто поделился мыслью, мало ли.

https://en.m.wikipedia.org/wiki/Correlation_does_not_imply_causation

Этот конкурс как раз об этом.

Корреляция даёт 0.36 максимальную accuracy на новых данных. На обучающих можно получить 1.0.

[Evgeni Gavrilovi]

Maxim Dmitrievsky #:

Корреляция даёт 0.36 максимальную accuracy на новых данных.

У меня максимум получается 0.274, стыдно отправлять такой результат)) 

В среднем сколько время тратится у вас на один цикл обучения?