Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1922
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
Altay .. ama sonuncuya gitmedim. an, fazla istenen)
Bu arada, artılarda mısın?
Catbust modellerini ayrıştırmak için yalnızca sürekli değişkenler için kod paylaşabilirim. C++ kodunun okunması, MQL dizilerine dönüştürülmesi ve çalıştırılması. Tüm olası parametrelerle çalışacağını söyleyemem, belirli bir format için yaptım.
peki ya ayrıştırma? python'da her şeye sahibim
orada bu formatta dışarı tükürür. İkili Sınıflandırıcı
MQL
sakıncası yoksa paylaş
belki işe yarar bir şeyler alırım
sakıncası yoksa paylaş
belki işe yarar bir şeyler alırım
Bu tür kümelemenin kural oluşturmadığını fark etti,
Evet, kuralları oluşturan kümeleme algoritmasını hiç bilmiyorum
Bir soru olduğu anlamına gelir - csv'de her sınıfa bir satırın aksesuarını nasıl kaydedebilirim?
Garip olmasına rağmen, neden aptalca mevcut verilerle kümelemeye devam etmek ve sınıflardan birinde yeni bir satır tanımlamak imkansız, yoksa mümkün mü?
Tabii ki yapabilirsiniz, ancak mikrolitre olarak değil!
Ama R hakkında bir kitap buldum.
Okumak, harika bir kitap
Ve sonuçları belirli bir sütuna nasıl alacağımı anlamıyorum?
gerçekten ne istediğini anlamıyorum
Bu resimde daha önce olduğu gibi aynı tahmin ediciler var, ancak örneklem boyutu farklı ve en önemlisi yeni tahmin ediciler eklendi.
Ve işte nasıl yorumlanacağı - yeniden eğitim eğilimi?
Daha önce söyledim, aletin amacına göre yorumlayın ve bir çiçekle çivi çakmaya çalışıyorsunuz.
https://ru.wikipedia.org/wiki/%D0%A1%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0 %B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%B5%D0 %B4%D0%B8%D0%BD%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%20%D0%B2%D0%BE%D0 %B7%D0%BC%D0%BE%D0%B6%D0%BD%D1%8B%D0%BC%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0 %BD%D1%82%D0%BE%D0%BC.-,%D0%9F%D1%80%D0%B5%D0%B8%D0%BC%D1%83%D1%%89D0%B5% D1%81%D1%82%D0%B2%D0%B0%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F% 20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8,%D1%82 %D0%B0%D0%BA%D0%B8%D0%BC%20%D0%BA%D0%B0%D0%BA%202D%20%D0%B8%D0%BB%D0%B8%203D.
Özellik seçimi [ düzenle ] | kodu düzenle ]
Yöntem Öznitelik Seçimi orijinal değişkenlerin (özellikler veya nitelikler olarak adlandırılan) bir alt kümesini bulmaya çalışır. Üç strateji vardır - strateji filtre (Örneğin, özelliklerin toplanması [tr] ), strateji Vücut sarımı (örneğin, doğruluğa göre arama) ve strateji yatırımlar (model tahmin hatalarına dayalı olarak oluşturulduğu için özellikler eklenecek veya kaldırılacak şekilde seçilir). Ayrıca bkz. görevler kombinatoryal optimizasyon .
Bazı durumlarda, regresyon veya sınıflandırma gibi veri analizi , küçültülmüş uzayda orijinal uzaydan daha doğru bir şekilde gerçekleştirilebilir [3] .
Özellik projeksiyonu [ düzenle ] | kodu düzenle ]
Özellik projeksiyonu, verileri yüksek boyutlu uzaylar düşük boyutlu uzaya. Veri dönüşümü aşağıdaki gibi doğrusal olabilir: ana bileşen yöntemi (MGK), ancak çok sayıda teknik var doğrusal olmayan boyutsallık indirgemesi [tr] [4] [5] . Çok boyutlu veriler için kullanılabilir tensör aracılığıyla boyutsallık azaltma gösterimi altuzayların çok doğrusal öğrenilmesi [tr] [6] .
dün ne yaptık
Boyut azaltma [ değiştir ] | kodu düzenle ]
Yüksek boyutlu veri kümeleri için (yani, 10'dan fazla boyuta sahip) , boyutsallık azaltma genellikle k-en yakın komşular uygulanmadan önce gerçekleştirilir. ( İngilizce k-en yakın komşu algoritması , k-NN) etkisinden kaçınmak için boyutluluğun lanetleri [16] .
Boyut azaltmanın faydaları [ değiştir ] | kodu düzenle ]
Önemli piyasa geri dönüşlerine bakmaya karar verdim. Hedef Olarak Önemli Geri Dönüşler. Kaos olacağını düşünmüştüm ama hayır..
yeşil aç
kırmızı dönüş
gri tersine çevrilmez
2D olarak bir şekilde daha net
daha fazla veri eklendi, ne derse desin, satın alma başına 4 küme ve 4 köy tahsis edildi, şimdi muhtemelen gerekli kümeleri seçmeniz ve her birinde bir tür sınıflandırıcı ile dönüşü olmayandan ayırmaya çalışmanız gerekiyor.
Kahretsin, verilerde ne kadar çöp olduğunu hayal edin, tüm bunlar bir şekilde gerekli bilgilerden ayrılmalıdır.
Burada sıradan kümeleme yapamazsınız
Daha ciddi bir şey denemeniz gerekiyor, örneğin DBscan veya bir şekilde manuel olarak seçebilirsiniz, böyle bir teknolojiyi duyduğum bir yerde
Önemli piyasa geri dönüşlerine bakmaya karar verdim. Hedef Olarak Önemli Geri Dönüşler. Kaos olacağını düşünmüştüm ama hayır..
yeşil aç
kırmızı dönüş
gri tersine çevrilmez
2D olarak bir şekilde daha net
daha fazla veri eklendi, ne derse desin, satın alma başına 4 küme ve 4 köy tahsis edildi, şimdi muhtemelen gerekli kümeleri seçmeniz ve her birinde dönüşü bir tür sınıflandırıcı ile dönüşsüzden ayırmayı denemeniz gerekiyor
Kahretsin, verilerde ne kadar çöp olduğunu hayal edin, tüm bunlar bir şekilde gerekli bilgilerden ayrılmalıdır.
Burada sıradan kümeleme yapamazsınız
Daha ciddi bir şey denemeniz gerekiyor, örneğin DBscan veya bir şekilde manuel olarak seçebilirsiniz, böyle bir teknolojiyi duyduğum bir yerde
Belirli bir küme içindeki işaretleri bir şekilde görebilir miyim?
Belirli bir küme içindeki işaretleri bir şekilde görebilir miyim?
ne demek kümelerin özellikleri yoktur, özelliklerin parçalarını deyim yerindeyse benzerlikle birleştirirler.
ne demek kümelerin özellikleri yoktur, özelliklerin parçalarını deyim yerindeyse benzerlikle birleştirirler.
Kümedeki özelliklerin değerleri ilgi çekicidir.