Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 884
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
Я понимаю, чем отличается дерево от лесов (или думаю, что понимаю) леса лучше использовать когда больше неопределенности в данных, т.е. менее устойчивая закономерность так-как леса принимают решение путем голосования, которое происходит по случайным(независимым из-за укорочения) деревьям, или я не прав?
Не знаю, я сужу по результатам.
А вот варианта "adad" у меня не наблюдается, его нет и на скрине, там есть "Forest" - это не то?
По порядку:
Tree
The 'rpart' package provides the 'rpart' function.
Boost
# Extreme Boost
# The `xgboost' package implements the extreme gradient boost algorithm.
SVM
# Support vector machine.
# The 'kernlab' package provides the 'ksvm' function.
Linear
# Regression model
# Build a Regression model.
Neural Net
# Neural Network
# Build a neural network model using the nnet package.
library(nnet, quietly=TRUE)
Кстати, эту работу я сделал за Вас - можете сами посмотреть в Log все это. Если у Вас другая версия rattle, то перечень может быть другим.
Спасибо за расшифровку. У меня версия 5.1.0 вероятно последняя - все эти пакеты установлены автоматически, при их вызове, и дополнительно есть "Forest".
Библиотека модифицирована по моему заказу - мне нужен был тестер из МТ5. Я посчитал, лень искать, может быть зачистил.
Посмотрите статьи Vladimir Perervenko
Спасибо, посмотрю.
Так как резать файл с помощью R, нужно использовать особый алгоритм? Интересно посмотреть, что в итоге будет.
По индексу, например: [1:2000,], [2001:4000,]. Важно чтобы во втором файле не нарушался естественная временная последовательность
Т.е. порезать можно и в экселе, так?
ну пробуйте и так и так и по всякому, как душе угодно :) главное теорию не забывать почитывать что бы откровенных глупостей не делать, а пакет заюзать какой-нибудь то это не сложно, их полно вообще всяких, и даже онлайн - ничего устанавливать не надо. Сейчас бум датасайенса, "оно" везде
пока некогда архивы анализировать, постоянно свое что-то мучаю
В том то и дело, что разные варианты дают разный результат, а если это так, то вывод делать о качестве предикторов как? Просто получается надо брать усредненный вариант, т.е. если везде не плохо, то нормально, а уже потом тюнинговать сеть/дерево/леса?
И всё же, хотелось бы знать, каким образом переносить логику дерева в советник...
Т.е. порезать можно и в экселе, так?
Не надо там Ексель. 1 строчка и все.
читай - Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R. В инете есть.
Не надо там Ексель. 1 строчка и все.
читай - Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R. В инете есть.
Да нельзя уметь всё - у меня нет цели научится программировать на R, мне нужна возможность проверки предикторов и конвертация набора правил в MT5. В общем, если это одна строка, то почему бы просто не написать её Вам? Ну а пока я справился подручными средствами.
Картинка из rattle у Вас недоделанная. Как минимум надо перейти на соседнюю вкладку evaluate и посмотреть результаты там.
Но самое главное надо исходный файл разбить на две части с разными именами (скорее всего это придется делать на R).
На первом файле строите ВСЕ шесть моделей и смотрите их оценку test, validate. Потом имя второго файла заносите в поле R Dataset. И на нем получаете снова оценки. Все полученные оценки должны примерно совпадать!
Если у Вас эти оценки НЕ совпадают, причем на втором файле результативность моделей принципиально хуже, то это означает, что Ваши модели переобучены и причиной переобученности является наличие шумовых (не относящихся к целевой переменной) предикторов.
Это и есть момент истины: или у вас имеется набор предикторов, относящихся к конкретной целевой переменной или у Вас нет этого. И никакие модели этого печального обстоятельства исправить не могут. Далее начинается тупая работа по подбору пары "целевая-предикторы", модели вообще не интересны, найдете пару, то модели просто семечки в R, за день наберете десяток и будете делать из них ансамбли.
Попрошу Вас подробней пояснить.
1. Во вкладке "Evaluate" какой параметр выбирать в наборе "Type"?
2. Что сделать, что б можно было заносить имя второго файла? У меня это окно хоть и активно, но выбрать файл нельзя! А "CSV File" - зачем там можно выбрать?
В том то и дело, что разные варианты дают разный результат, а если это так, то вывод делать о качестве предикторов как? Просто получается надо брать усредненный вариант, т.е. если везде не плохо, то нормально, а уже потом тюнинговать сеть/дерево/леса?
И всё же, хотелось бы знать, каким образом переносить логику дерева в советник...
а зачем? в мт5 есть случайный лес, можно адаптировать под свои задачи. Смотреть ошибки и давать ему тестовые примеры, смотреть результаты. Единственное что важности переменных он не выдает
но, если учесть что алгоритмы +- везде одинаковые, можете визуализирвать и эксперементировать в R а потом обучать и юзать в мт
В общем, если это одна строка, то почему бы просто не написать её Вам? Ну а пока я справился подручными средствами.
Дык, спрашивал не я, а вы.) А мне оно не надо.)
А будете работать с R, по любому придется.
Попрошу Вас подробней пояснить.
1. Во вкладке "Evaluate" какой параметр выбирать в наборе "Type"?
2. Что сделать, что б можно было заносить имя второго файла? У меня это окно хоть и активно, но выбрать файл нельзя! А "CSV File" - зачем там можно выбрать?
1. Любой. Это разная оценка модели и каждая имеет свой смысл. rattle хорош именно тем, что новичку дает систематические знания по машинному обучению: подготовка исходных данных, моделирование, оценка модели. Только овладев хотя бы на примитивном уровне всеми ТРЕМЯ частями имеет смысл двигаться далее от игры в цифирь к более осмысленным поступкам.
2. R Dataset- это файл r. Означает, что на вкладке Data исходные данные были загружены как RData File - это рабочая область в терминах R. В этой рабочей области было заготовлено два фрейма данных: один для обучения и тестирования модели, а другой как этот самый R Dataset.
Самый простой способ для Вас - это загрузить готовый файл экселя, скачать лог, выйти в R и разделить полученный там фрейм данных на два.
Можно иначе.
Открыть сам R и нем загрузить файл экселя - это одна строчка. Потом разделить полученный фрейм данных на два.
Но прогон на втором файле обученной модели ОБЯЗАТЕЛЕН.
а зачем? в мт5 есть случайный лес, можно адаптировать под свои задачи
или, если учесть что алгоритмы +- везде одинаковые, можете визуализирвать и эксперементировать в R а потом обучать и юзать в мт
В программе "Deductor Studio" визуально всё классно видно, дерево, правила - в R пока такого не вижу, а в MT5 и подавно не будет (т.е. сделать можно всё, но сколько за это придется заплатить...). Значит выходит дело надо как то использовать библиотеку алглиб для подключения случайных лесов в MT5?
Вот нашел кусок кода алгоритма C4.5 http://datascientist.one/algorithm-c4-5/ на R, это очень сложно реализовать в MT5?
C45 <- function(data,x){ result.tree <- NULL if ( IsEmpty(data) ) { node.value <- "Failure" result.tree <- CreateNode(node.value) return(result.tree) } if( IsEmpty(x) ){ node.value <- GetMajorityClassValue(data,x) result.tree <- CreateNode(node.value) return(result.tree) } if( 1 == GetCount(x) ){ node.value <- GetClassValue(x) result.tree <- CreateNode(node.value) return(result.tree) } <br> gain.ratio <- GetGainRatio(data,x)<br> best.split <- GetBestSplit(data,x,gain.ratio) data.subsets <- SplitData(data,best.split) values <- GetAttributeValues(data.subsets,best.split) values.count <- GetCount(values) node.value <- best.split result.tree <- CreateNode(node.value) idx <- 0 while( idx<=values.count ){ i dx <- idx+1 newdata <- GetAt(data.subsets,idx) value <- GetAt(values,idx) new.x <- RemoveAttribute(x,best.split) new.child <- C45(newdata,new.x) AddChildNode(result.tree,new.child,value) } result.tree }