Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1743

[mytarmailS]

Maksim Dmitrievski :

slozhnaya fegnya, ona özellikle nasıl yaklaşılacağını anlamayacaksın .. her şey çok iyi. süresiz olarak

kaba kuvvet bazı işaretleri veya ne yapmak için

peki, orada ne var?

[Mihail Marchukajtes]

Rorschach :

burada bulundu

Kaynağa baktım, ancak hiçbir yerde bu yöntemin zayıf performansı hakkında net bir sonuç görmedim ....

[Rorschach]

Michael Marchukajtes :
Kaynağa baktım, ancak hiçbir yerde bu yöntemin zayıf performansı hakkında net bir sonuç görmedim ....

Artıları ve eksileri ile bir yöntem olarak yöntem.

[Maxim Dmitrievsky]

mytarmailS :

peki, orada ne var?

Evet, hiçbir şey, sonra ne yapacağımı düşünene kadar. Bu konuyla ilgili makaleler ve kodlar var, ancak ciddi sonuçları yok

[Maxim Dmitrievsky]

Oleg ve Miklukha yasaklandı mı?))

[Vladimir Perervenko]

R'deki çok ilginç TSrepr (Zaman Serisi Temsilleri) paketine göz atın.

"Zaman serisi temsil yöntemleri dört gruba (tür) ayrılabilir (Ratanamahatana ve diğerleri (2005)):

• veri olmayan uyarlanabilir
• veri uyarlanabilir
• model tabanlı
• dikte edilen veriler (kırpılan veriler).

Veri olmayan uyarlanabilir temsillerde, dönüşüm parametreleri, doğasına bakılmaksızın tüm zaman serileri için aynı kalır. Veri uyarlamalı gösterimlerde, dönüşüm parametreleri mevcut verilere bağlı olarak değişir. Modele dayalı temsile yönelik bir yaklaşım, gözlemlenen zaman serilerinin temel modele dayalı olarak oluşturulduğu varsayımına dayanır. Amaç, böyle bir modelin parametrelerini temsili olarak bulmaktır. İki zaman serisi, temel bir modelin aynı parametre seti tarafından yaratılmışlarsa benzer olarak kabul edilir. Veri dikte yaklaşımlarda, sıkıştırma oranı kırpılmış gibi ham zaman serilerine dayalı olarak otomatik olarak tanımlanır (Aghaboborgi, Seyed Shirkhorshidi ve Ying Wah (2015)).

Veri olmayan uyarlamalı gösterim türleri için en ünlü (iyi bilinen) yöntemler, PAA (Parçalı Toplam Yaklaşım), DWT (Ayrık Dalgacık Dönüşümü), DFT (Ayrık Fourier Dönüşümü), DCT (Ayrık Kosinüs Dönüşümü) veya PIP'dir (Algısal Olarak Önemli Noktalar). Veri uyarlamalı gösterim türü için, SAX (Sembolik Toplama yaklaşımı), PLA (Parça Yönlü Doğrusal Yaklaşım) ve SVD'dir (Tekil Değer Ayrıştırma). Modele dayalı temsiller için, ARMA, ortalama profiller veya istatistiksel bir modelden (örneğin doğrusal model) tahmin edilen regresyon katsayılarıdır. Dikte edilen veriler daha az bilinen temsil türüdür ve bu tipin en ünlü yöntemi kırpmadır (bit düzeyinde gösterim) (Bagnall ve diğerleri (2006)).

TSrepr paketinde, bu zaman serisi temsil yöntemleri uygulanmaktadır (fonksiyon adları parantez içindedir):

veri uyumlu olmayan:

1. PAA - Parçalı Toplam Yaklaşımı (repr_paa)
2. DWT - Ayrık Dalgacık Dönüşümü (repr_dwt)
3. DFT - Ayrık Fourier Dönüşümü (repr_dft)
4. DCT - Ayrık Kosinüs Dönüşümü (repr_dct)
5. SMA - Basit Hareketli Ortalama (repr_sma)
6. PIP - Algısal Olarak Önemli Noktalar (repr_pip)

Veri uyarlamalı:

1. SAX - Sembolik Toplam Yaklaşımı (repr_sax)
2. PLA - Parçalı Doğrusal Yaklaşım (repr_pla)

Model tabanlı:

1. Ortalama mevsimsel profil - Ortalama mevsimsel profil, Medyan mevsimsel profil, vb. (repr_seas_profile)
2. Doğrusal (toplamsal) modele (LM, RLM, L1, GAM) (repr_lm, repr_gam) dayalı model tabanlı mevsimsel temsiller
3. Üstel yumuşatma mevsimsel katsayıları (repr_exp)

Veriler dikte edildi:

1. FeaClip - Kırpılmış gösterimden özellik çıkarma (repr_feaclip, kırpma)
2. FeaTrend - Trend gösteriminden özellik çıkarma (repr_featrend, trending)
3. FeaClipTrend - Kırpılan ve trend olan gösterimden özellik çıkarma (repr_feacliptrend)""

Kümeleme dahil çok ilginç dönüşümler sağlar.

İyi şanlar

[mytarmailS]

Vladimir Perervenko :

R'deki çok ilginç TSrepr (Zaman Serisi Temsilleri) paketine göz atın.

Bir keresinde size bu paketi göstermiştim, MT4 için bir komut dosyası yapmanızı istediğimde hatırlayın, nnfor paketinden bir nöron orada eğitilmişti ve hedef TSrepr'den PIP - Algısal Olarak Önemli Noktalar (repr_pip) idi :)

Vladimir! Size birkaç sorum var, izin verirseniz...

1) Söylesene, zikzak yönünün, diyelim ki Eurodollar saatlik saatin sınıflandırılmasında elde edebileceğiniz maksimum hata nedir? Ve aynı anda noisefilter kullandın mı?

2) Eğitimin kalitesi, makalelerinizde tanımladığınız tahmin edicilerin "örneklenmesini" kötüleştiriyor mu?

3) En düşük seviyede bir tür meta öğrenme yapmayı denemek istiyorum, fikrin özü şudur:

p1. ormanı veri üzerinde eğitelim

p2. ormanın ürettiği tüm kuralları çıkarır ve onları yeni öngörücüler olarak sunarız, her kural bir tahmindir, 500-1000 kural olacaktır. Tahminciler "seyrek" çıkıyor ama ne yapmalı (

s.3 Tahmincilerin kuralları üzerine yeni bir model yetiştiriyoruz ...

Fikir

1) tahmin edicilerin sayısını artırmak

2) daha karmaşık ve derin kurallar elde edildiğinde, bu kurallar hiyerarşik olarak daha karmaşıktır

3) Forest, tüm kuralların (ağaçların) tahminlerinin toplamı olarak bir tahmin veriyor, bana öyle geliyor ki, kuralların toplamını değil, kuralları ayrı ayrı düşünürsek, sınıf etiketlerini daha iyi ayırabiliriz, bu mümkün kuralların bazı benzersiz kombinasyonlarını bulmak vb.

Ve soru şu: Az önce yazdığım şey normal degrade artırma değil mi?

4) Ayrıca satl , fatl , vb. kullandığınız spektral göstergeleri nereden edinebilirsiniz .

[Rorschach]

Rorschach :

burada bulundu

Konuyu okudum ve aynı sonuca vardım. Ve cssa'daki tahmin zor bir şekilde yapılıyor, yavaş yavaş bir adım ileriyi tahmin ediyorlar, gerçekten bu kadar etkili mi?

Fpf ve ssa arasında herhangi bir hız karşılaştırması var mı? Ve sonra karmaşık dalgacıkları alın ve aynı Lessage rakamları olacaktır. Bunları optimize ediciye nasıl sürüleceği net değil, görsel ayarlar için daha uygun.

cssa, Nedensel SSA'ya çevrilir. Bu yöntem 2013 kitabında yer almaktadır.

[Alexander_K2]

http://forex.kbpauk.ru/showflat.php?Cat=0&Board=mts&Number=25750&page=0&fpart=1

[Valeriy Yastremskiy]

Maksim Dmitrievski :
Oleg ve Miklukha yasaklandı mı?))

Oleg yasaklandı ve Mikloch nedense ............