Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 496
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Orman tahmin edebilir mi? Evet.
İyi yapıyor mu? Numara.
İyi ve kötü nedir?
Farklı modellerin karşılaştırmalı bir analizi var mı? Ve en başından: belirli tahmin edicilerin belirli bir hedefe uygunluğundan, belirli bir tahmin ediciler setinin belirli bir modele uygunluğundan ve ardından eğitim dosyalarının dışındaki bir dosyada zorunlu çalıştırma ile bir değerlendirme? Modellerin yeniden eğitilmediği gerekçesi ile.
Tüm bunlara sahip olarak, belirli bir dizi tahmin edici ve hedef için neyin iyi neyin kötü olduğuna karar vermek mümkün olacaktır. Aynı zamanda, büyük olasılıkla FARKLI bir tahmin seti ve FARKLI bir sonuç verecek bir hedef kümesi olduğu anlaşılmalıdır.
Özel durumum için böyle bir iş yaptım. Sonuç bu konuya birkaç kez yazıldı. Kötüleştikçe modellerin sırası: ada, rf, SVM. Hepsinden kötüsü Ulusal Meclis, ama onun bazı eski versiyonları, modern olanlar onu kullanmadı. Bunların hepsi yukarıdaki koşullara tabidir.
İşte ilginç bir örnek, bir keresinde bu konuya toksik tarafından gönderilmiş.
Bu durumda ekstrapolasyon, "bilinen noktalar bulutu" dışında bir tahmin olacaktır.
Bilinen noktalar iyi bir şekilde kümelenirse, ekstrapolasyonun çoğu model için sorunlara neden olmadığı açıktır.
Ancak bilinen noktalar bariz kümeler olmadan daha rasgele yerleştirilmiş olsaydı, o zaman tahminin kendisi daha kötü olurdu ve ekstrapolasyon güvenilir olmazdı.
Her şey tahmin edicilerle ilgili, eğer modele herhangi bir çöp tıkarsanız, o zaman gerçekten iyi bir ekstrapolasyon olmayacak.
Özellikle forex için, ideal tahmin edicileri bulmanız pek olası değildir; Finansal veriler üzerinde asla ekstrapolasyon ticareti yapmam.
ekstrapolasyon, bilinmeyen noktalara ilişkin bir tahmindir, eğer noktalar eğitim örneğinin maksimum ve minimum değerlerinin ötesine geçerse, RF her zaman çıktıda eğitilmiş örnekten maksimum ve minimum çıktı verecektir
ve sadece MB'nin yaklaşımıyla karıştırıyorsunuz?
İşte ilginç bir örnek, bir keresinde bu konuya toksik tarafından gönderilmiş.
Bu durumda ekstrapolasyon, "bilinen noktalar bulutunun" dışında bir tahmin olacaktır.
Bilinen noktalar iyi bir şekilde kümelenirse, ekstrapolasyonun çoğu model için sorunlara neden olmadığı açıktır.
Ancak bilinen noktalar bariz kümeler olmadan daha rasgele yerleştirilmiş olsaydı, o zaman tahminin kendisi daha kötü olurdu ve ekstrapolasyon güvenilir olmazdı.
Her şey tahmin edicilerle ilgili, eğer modele herhangi bir çöp tıkarsanız, o zaman gerçekten iyi bir ekstrapolasyon olmayacak.
Özellikle forex için, ideal tahmin edicileri bulmanız pek olası değildir; Finansal veriler üzerinde asla ekstrapolasyon ticareti yapmam.
İstatistiklere güven sorunu genellikle felsefidir. her zaman spesifik olmak zorunda.
İşte sınıflandırma.
"Ekstrapolasyon" kavramının kendisi bunun için geçerli mi? Benim için hayır. Sınıflandırma örüntüler buldu ve ardından yeni verileri bu örüntülere göre dağıtmaya çalışır.
Analitik biçimde bir işlevi olan analitik modellerde ekstrapolasyon.
Ve ARIMA? Tahmin ediyor mu? Neyi izliyor. Desenin kendisi, genellikle birer birer olmak üzere birkaç son çubuk alır. Ancak parametre seçimi binlerce bar gerektirir. Bu bin tahmin edilir, ancak son hesaplamaya giren değildir.
Benim için matematiksel anlayışındaki ekstrapolasyon finansal piyasalarda uygulanamaz.
İstatistiklere güven sorunu genellikle felsefidir. her zaman spesifik olmak zorunda.
İşte sınıflandırma.
"Ekstrapolasyon" kavramının kendisi bunun için geçerli mi? Benim için hayır. Sınıflandırma örüntüler buldu ve ardından yeni verileri bu örüntülere göre dağıtmaya çalışır.
Analitik biçimde bir işlevi olan analitik modellerde ekstrapolasyon.
Ve ARIMA? Tahmin ediyor mu? Neyi izliyor. Desenin kendisi, genellikle birer birer olmak üzere birkaç son çubuk alır. Ancak parametre seçimi binlerce bar gerektirir. Bu bin tahmin edilir, ancak son hesaplamaya giren değildir.
Benim için matematiksel anlayışındaki ekstrapolasyon finansal piyasalarda uygulanamaz.
ML'de ekstrapolasyon, bir modelin yeni veriler üzerinde çalışma yeteneğidir ve özel bir yaklaşıklık türüdür. Eğitim setinde, modeliniz YAKLAŞIK, eğitim setinde yer almayan yeni veriler üzerinde, ÖNERİYOR
bu nedenle, dikkatsizce okuduğunuz XGboost'a kıyasla doğrusal regresyon ile bir örnek verilmiştir, doğrusal regresyon mükemmel bir şekilde tahmin edilirken, karar ağaçlarıyla ilgili her şey karar ağaçlarının yapısı nedeniyle tahmin edilemez
Doğrusal regresyon genellikle MEVCUTTUR ve özellikle YALNIZCA modelden normal olarak dağılmış artıkları olan durağan serilerde tahminde bulunur. Bu tür bir modeli finansal seriler için KULLANILMAZ hale getiren, uygulanmasında çok sayıda sınırlama vardır.
Veya bir kişi, modellerin kendi özel verilerine UYGULANABİLİRLİĞİNİ araştırır, o zaman bu, diğer tüm durumlarda modellemedir - bir sayı oyunu.
Bu konudaki çok sayıda gönderi, başka türlü bir kanıt sağlanmadığı için bir sayı oyunudur.
Doğrusal regresyon genellikle MEVCUTTUR ve özellikle YALNIZCA modelden normal olarak dağılmış artıkları olan durağan serilerde tahminde bulunur. Bu tür bir modeli finansal seriler için KULLANILMAZ hale getiren, uygulanmasında çok sayıda sınırlama vardır.
Veya bir kişi, modellerin kendi özel verilerine UYGULANABİLİRLİĞİNİ araştırır, o zaman bu, diğer tüm durumlarda modellemedir - bir sayı oyunu.
Bu konudaki çok sayıda gönderi, başka türlü bir kanıt sağlanmadığı için bir sayı oyunudur.
PPC, lineer regresyon nerede! soru, APTAL hatalar yapmamak için ORMANLARI doğru bir şekilde nasıl kullanacaklarıydı, örneğin, nasıl HARİKA YAPILACAKLARINI BİLİYORLARDIĞINI DÜŞÜNMEK
ormanlara tırnak şeklinde bir zaman serisi besleyin ve maksimum ve minimum tırnak değerlerinin ötesine geçen yeni verilerde, model çalışılanın yalnızca maksimum ve minimum değerlerini tahmin edecektir seri, aralığın ötesine geçerse
nasıl gidiyor beyler...
KO'dan bazı bilgiler:
Finansal piyasalarda, ekstrapolasyon/enterpolasyon uygulanabilir ve büyük talep görmektedir.
"Uygulanabilir ve talep görüyor" ise, bunca yıldır neden başarılı bir araç üretiyorsunuz?
not Duyuyorum - kedi bağırdı ... Aynen, sanırım Alyoshka yine bir şeyler yazmış!
nasıl gidiyor beyler...
KO'dan bazı bilgiler:
ML bağlamında ekstrapolasyon ve enterpolasyon AYNIDIR! Her iki durumda da, eğitim veri kümesindeki nokta ile UYUŞMAYAN noktanın (int,float[]) değerini almanız gerekir. Bu noktanın hiperuzaydaki konumuyla ilgili, noktaların eğitim bulutuyla ilgili olarak, UYGUN DEĞİLDİR, çünkü her şey özelliklere, özellik alanının yapısına bağlı olduğundan, bir projeksiyonda eğitimin “dışında” bir nokta olacaktır. bulut, diğerinde “içeride”, bu önemli değil, mantıklı olan tek şey ÖĞRENMEDE OLMAMASI, nokta.
Konsolidasyon için özetliyorum: Eğitim veri kümesinde bir nokta yoksa, o zaman sınıflandırmasının veya regresyonunun sonucu, sonucun konu alanı tarafından nihai yorumuna bağlı olarak, ancak MO algoritması için hem ekstrapolasyon hem de interpolasyon olacaktır - BU AYNIDIR.
Orman tahminleri - harika! Usta ellerde, NS'den daha iyidir ve büyüklük sıraları daha hızlıdır.
Finansal piyasalarda, ekstrapolasyon/enterpolasyon uygulanabilir ve büyük talep görmektedir.
Maxim'e ayrı bir tavsiye: Akıllı bir insan, çok daha fazla test yaptığı için bir aptaldan bile daha sık hata yapar, ancak yalnızca bir aptal, bakış açısına duygusal olarak bağlıdır ve ondan ayrılması onun için zordur. kim olduğunu sen seç
tamam, ormanların ne kadar iyi tahmin ettiğini gösteren bir örnekle en az 1 makaleye bir örnek verin. hiçbirini bulamadım
bu bence harika değil.
ve nokta içerideyken, bulut dışarıdayken, bir sürü farklı özelliğe sahipken ve eğitim sırasında hedef değerlerin aralığı daha önemli olduğunda, tüm bunlar olduğunda nasıl anlayacaksınız? ağaçlar inşa edilirse, hedef ASLA bu aralığın dışına çıkamaz.
doğrusal regresyon mükemmel bir şekilde tahminde bulunurken, karar ağaçlarıyla ilgili her şey tahmin edilemez
Ekstrapolasyon, eğitim sırasında bilinen tahmin edici değerlerin ötesinde yeni verilerin tahmin edilmesini içerir.
İşte eski resmin bir parçası, yeşille gölgelenen her şey tahmindir ve resme bakılırsa, orman bunu yapabilir, aksi takdirde her şey beyaza boyanırdı (bazı SVM modellerinde olduğu gibi)
Hem orman hem de nöron ve doğrusal model tahminde bulunabilir. Tahmin için bilinen değerlerden uzak veriler verirseniz tüm bu modeller tahminler verir, hepsinin bu tür durumlar için bir takım algoritmaları vardır.
Ama neden lineer model y=ax+b formülüne göre ekstrapolasyon yaptığına göre, bunu mükemmel bir şekilde yapıyor ve orman bunu bilinen en yakın komşu tarafından yaptığına göre, o zaman hiçbir şey yapamayacağını düşünüyorsunuz? Bu algoritmaların her ikisinin de var olma hakkı vardır. SanSanych'in dediği gibi, her bir tahmin ve hedef seti için bir çalışma yürütmek ve modelleri karşılaştırmak gereklidir, ancak o zaman modellerin mükemmel bir ekstrapolasyon yapıp yapmadığını söylemek mümkün olacaktır.
Habré ile ilgili makalelerde yazılanlar ayrıca belirli tahmin edicilere ve hedeflere atıfta bulunur, bu her durum için geçerli olan doğru değildir, bu belirli bir vaka için özel bir çalışmadır.
Ekstrapolasyon, eğitim sırasında bilinen tahmin edici değerlerin ötesinde yeni verilerin tahmin edilmesini içerir.
İşte eski resmin bir parçası, yeşille gölgelenen her şey tahmindir ve resme bakılırsa, orman bunu yapabilir, aksi takdirde her şey beyaza boyanırdı (bazı SVM modellerinde olduğu gibi)
Hem orman hem de nöron ve doğrusal model tahminde bulunabilir. Tahmin için bilinen değerlerden uzak veriler verirseniz tüm bu modeller tahminler verir, hepsinin bu tür durumlar için bir takım algoritmaları vardır.
Ama neden lineer model y=ax+b formülüne göre ekstrapolasyon yaptığına göre, bunu mükemmel bir şekilde yapıyor ve orman bunu bilinen en yakın komşu tarafından yaptığına göre, o zaman hiçbir şey yapamayacağını düşünüyorsunuz? Bu algoritmaların her ikisinin de var olma hakkı vardır. SanSanych'in dediği gibi, her bir tahmin ve hedef seti için bir çalışma yürütmek ve modelleri karşılaştırmak gereklidir, ancak o zaman modellerin mükemmel bir ekstrapolasyon yapıp yapmadığını söylemek mümkün olacaktır.
Habré ile ilgili makalelerde yazılanlar ayrıca belirli tahmin edicilere ve hedeflere atıfta bulunur, bu her durum için geçerli olan doğru değildir, bu belirli bir vaka için özel bir çalışmadır.
sadece ağacı incelemelisin