Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 38

[СанСаныч Фоменко]

Yuri Reshetov :

Dr.Trader'ın libVMR'nin eski sürümünü R'ye taşımaya çalışırken zaten bozulduğuna ve büyük bir nükleer makine için yeterli belleğe ve küçük bir makine için tam performansa (döngü sayısı) sahip olmadığına bakılırsa 100 kat azaldı), o zaman aynı yere basmak isteyenlerin en fazla tırmık bulunması olası değil mi?

Bu nedenle, şimdilik bu tür görevleri R'ye taşıma konusunda kekelememek daha iyidir - bu dırdır çekmez.

Sadece R ile çok yüzeysel bir tanıdık, "dırdır" hakkında konuşmamıza izin verecektir.

Tabii ki, R koyduk ve karakter dizisi yorumlayıcısını görüyoruz. Daha derine inerseniz bayt kodunu görebilirsiniz, ancak bu, yorumlayıcının verimlilik açısından herhangi bir sorununu çözmez. Tartışacak bir şey bile yok - bir dırdır.

Ancak R paketlerini biraz araştırırsanız, R kodunda gördüğümüzün başka bir koda itiraz olduğu çabucak anlaşılacaktır. Ve anlamaya başlarsanız, hesaplama açısından yoğun algoritmalar için R'nin her zaman mümkün olan en yüksek verimlilik ilkesine göre seçilen üçüncü taraf paketleri kullandığı ortaya çıkıyor. Genellikle bunlar C veya Fortran kütüphaneleridir.

Veya örneğin matris işlemleri. R'nin "skaler" kavramına sahip olmadığı ve her şeyin vektörlerle başladığı ve matris aritmetiğinin R için tamamen doğal olduğu göz önüne alındığında, R'de yazılmayan uygun kitaplığı kullanma sorunu temeldir. Intel Math Kernel Library tarafından kullanılır.

Buna, hesaplamaların yalnızca kendi bilgisayarının tüm çekirdeklerine değil, aynı zamanda komşu bilgisayarlara paralelleştirilmesinin R'de yaygın bir işlem olduğu da eklenmelidir.

Öyleyse, "nag" nedir ve ne değildir büyük bir soru.

not.

R'ye herhangi bir şey taşımanıza gerek yok, sadece materyali incelemeniz gerekiyor. R, ihtiyacınız olan her şeye ve bundan çok daha fazlasına sahiptir.

[mytarmailS]

yazılar için ne ödüyorlar? :)

[Dr. Trader]

mytarmailS :

soru: "a_minus_b", "a_minus_c" gibi yeni alınan sütun adlarını nasıl veririm

a <- 1 : 5
b <- 6 : 10
c <- 11 : 15
d <- 16 : 20
dt <- data.frame(a,b,c,d)

res.dt <- data.frame(matrix(nrow=nrow(dt), ncol= 0 ))

for (i in 1 :(ncol(dt)-1)){
         for (j in (i+ 1 ):ncol(dt)){
                colname <- paste0(colnames(dt)[i], "_minus_" , colnames(dt)[j])
                res.dt[, colname] <- dt[, i] - dt[,j]
        }
}
res.dt

Forex'in kendisi yazılar için bize para ödeyecek :) Herkes kendine göre bir şeyler biliyor ve biliyor ve 38 sayfayı okuyup pratikte denerseniz ve tüm bilgileri birleştirirseniz, o zaman çalışan bir danışman olabileceğini düşünüyorum.

[Vladimir Suslov]

San Sanych Fomenko :
SUBJECTLY linkini verdiğim yazının içeriğini çürütebilir misiniz? Şu anda Dr.Trader : bu materyali kullanmak için bir girişimde bulundu. Çok spesifik kullanın. Sonuç olumsuz. Belki de ayrıntılı olarak konuşun?

Konu dışı olduğum için özür dilerim.
SanSanych, hangi dilde düşünüyorsun?
Yazınız google translate gibi. Rus diline saygı gösterin lütfen.

PS anlaşılmak istiyorsanız...

[СанСаныч Фоменко]

Etkinlik :

Konu dışı olduğum için özür dilerim.
SanSanych, hangi dilde düşünüyorsun?
Yazınız google translate gibi. Rus diline saygı gösterin lütfen.

PS anlaşılmak istiyorsanız...

Hayatım boyunca bunu söylüyorum... Sen ilksin...

Bir şey net değilse, açıklamaya hazırım.

[Vladimir Suslov]

San Sanych Fomenko :

Hayatım boyunca bunu söylüyorum... Sen ilksin...

Bir şey net değilse, açıklamaya hazırım.

Açıklamaya gerek yok. Biri ilk olmalı

[mytarmailS]

Dr.Tüccar :

Forex'in kendisi yazılar için bize para ödeyecek :) Herkes kendine göre bir şeyler biliyor ve biliyor ve 38 sayfayı okuyup pratikte denerseniz ve tüm bilgileri birleştirirseniz, o zaman çalışan bir danışman olabileceğini düşünüyorum.

Çok teşekkür ederim!!!

not. çift döngülü bu zarif fikrin hala içilmesi gerekiyor)

[Yury Reshetov]

jPrediction ikili sınıflandırıcı için bir açıklama yaptım, kaynak kodunu yayınladım.

İçindekiler:

1. Temel özellikleri
2. jPrediction'ı Çalıştırma
3. jPrediction'da bir ikili sınıflandırıcının matematiksel modeli nasıl oluşturulur
4. Modeli Dosyaya Kaydetme
5. Azaltma - bilgilendirici olmayan özelliklerin modelden kaldırılması
6. Nesneleri Sınıflandırmak için Model Yükleme ve Kullanma
7. Ek
1. İkili sınıflandırma için ek örnekler
2. jPrediction için CSV dosya formatı

Ekli arşivdeki tam metin (PDF formatında)

[mytarmailS]

Yuri Reshetov :

jPrediction ikili sınıflandırıcı için bir açıklama yaptım, kaynak kodunu yayınladım.

Merhaba Yuri! Sıkı çalışma için teşekkürler!

1) Bunun ne anlama geldiğini açıklayabilir misiniz?

• Duyarlılık, modelin yüzde olarak duyarlılığıdır.
• Özgüllük - yüzde olarak modelin özgüllüğü

2) bilgisayarım zayıfsa, o zaman model modeli 300 tahmin edici ve 100.000 gözlemden oluşan bir örnek üzerinde ne kadar süre eğitecek?

(Mezuniyetten 100 yıl önce beklememek için "lütfen bekleyin" ibaresini % cinsinden öğrenme ilerlemesinin hesaplanması veya bunun gibi bir şeyle değiştirmek kötü olmaz)

3) Peki ya "R"? olmaz mı?

[Yury Reshetov]

mytarmailS :

Merhaba Yuri! Sıkı çalışma için teşekkürler!

1) Bunun ne anlama geldiğini açıklayabilir misiniz?

• Duyarlılık, modelin yüzde olarak duyarlılığıdır.
• Özgüllük - modelin yüzde olarak özgüllüğü

Genelleme yeteneğinin duyarlılığı - test örneğinde doğru tahmin edilen pozitif sonuçlar: %100 * TP / (TP + FP)

Genelleme yeteneğinin özgüllüğü - test örneğinde doğru tahmin edilen olumsuz sonuçlar: %100 * TN / (TN + FN)

nerede:

TP - gerçek olumlu sonuçların sayısı

TN - gerçek olumsuz sonuçların sayısı

FP - yanlış pozitiflerin sayısı

FN - yanlış negatif sayısı

mytarmailS :

2) bilgisayarım zayıfsa, o zaman model modeli 300 tahmin edici ve 100.000 gözlemden oluşan bir örnek üzerinde ne kadar süre eğitecek?

3) Peki ya "R"? olmaz mı?

Hiç eğitim vermeyecek, ancak numunedeki tahminci sayısı 10 adeti aşarsa bir hata mesajı verecektir.

mytarmailS :

3) Peki ya "R"? olmaz mı?

İsterseniz, rJava paketini kurun. bkz . Java kodunu R'den çağırma