"Makine Öğrenmesi: Destek Vektör Makineleri Ticarette Nasıl Kullanılabilir?" makalesi için tartışma
Yeni makale Makine Öğrenimi: Destek Vektör Makineleri Ticarette Nasıl Kullanılabilir?
Yazar Josh Readhead
Yazınız için çok teşekkür ederim.
alsu:
Вот я бы все таки отметил, что метод не бует работать, если хотя бы один из классов не связный, то есть состоит из 2 и более непересекающихся подгрупп. Например, если Шняки (на самом деле - компьютер перед анализом этого не знает!) бывают 2 видов - зеленоватые, весом 100 кг и которые любят морковку и радужно-блестящие весом 30 кг, которые морковку не переносят, но зато хавают селедку, то провести гиперплоскость между "шняками" и "не шняками" будет довольно проблематично. А такая ситуация на рынке, да еще и в многомерном случае, типична вполне.
... Ve bu algoritmayı bu problemi çözmek için kullanabileceğinizi. Bu arada bunun için çok teşekkür ederim!
Not: Üzgünüm, ama dayanamadım ... :)
1) 9 bacaklı (!) ve 4 gözlü bir yaratık görüyorsunuz. Bu bir aksaklık değil!!! Bu bir SNACK!
2) Hayvanların çiftleşme frekansı 14000 Hz'dir (saniyede 14.000 kez). 0_o
SVM'yi ticarette uygulamak için çok yararlı!
Harika bir çalışma!
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Yeni makale Makine Öğrenmesi: Destek Vektör Makineleri Ticarette Nasıl Kullanılabilir? yayınlandı:
Destek Vektör Makineleri, biyoinformatik ve uygulamalı matematik gibi alanlarda, karmaşık veri kümelerini değerlendirmek ve verileri sınıflandırmak için kullanılabilecek faydalı modellerini çıkarmak için uzun süredir kullanılmaktadır. Bu makale, destek vektör makinelerinin ne olduğunu, bunların nasıl çalıştığını ve karmaşık modelleri çıkarmada neden bu kadar faydalı olabileceklerini inceler. Daha sonra, bunların piyasaya nasıl uygulanabileceğini ve potansiyel olarak alım satım tavsiyelerinde bulunmak için nasıl kullanılabileceğini araştırıyoruz. Makale, okuyucuların Destek Vektörü Makine Öğrenme Aracını kullanarak kendi alım satımlarını denemelerine olanak sağlayan çalışılmış örnekler sunar.
Bir destek vektör makinesi, girdi verilerini almaya ve bunları iki kategoriden birine sınıflandırmaya yarayan bir makine öğrenimi yöntemidir. Bir destek vektör makinesinin etkili olması için, ilk olarak yeni verileri sınıflandırmak için kullanılabilecek destek vektör makinesi modelini oluşturmak amacıyla bir dizi eğitim girdi ve çıktı verisi kullanmak gerekir.
Bir destek vektörü makinesi, eğitim girdilerini alıp bunları çok boyutlu uzaya eşleyerek ve ardından girdilerin iki sınıfını en iyi şekilde ayıran bir hiper düzlem (bir hiper düzlem, n-boyutlu boşlukta, boşluğu iki yarım boşluğa ayıran bir yüzeydir) bulmak için regresyon kullanarak bu modeli geliştirir. Destek vektör makinesi bir kez eğitildikten sonra, yeni girdileri ayırma hiper düzlemine göre değerlendirebilir ve bunu iki kategoriden birinde sınıflandırabilir.
Bir destek vektör makinesi aslen bir girdi/çıktı makinesidir. Bir kullanıcı bir girdi girebilir ve makine eğitim yoluyla geliştirilen modele göre bir çıktı döndürür. Verilen herhangi bir destek vektör makinesi için girdi sayısı teorik olarak birden sonsuza kadar gider, ancak pratik açıdan bilgi işlem gücü kaç girdinin kullanılabileceğini sınırlar. Örneğin, belirli bir destek vektör makinesi için N sayıda girdi kullanılıyorsa (N'nin tamsayı değeri birden sonsuza kadar değişebilir), destek vektör makinesi her bir girdi kümesini N boyutlu uzaya eşlemeli ve eğitim verilerini en iyi şekilde ayıran bir (N-1) boyutlu hiper düzlem bulmalıdır.
Yazar: Josh Readhead