Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2730
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
Burada görünüşe göre çok değişkenli örneklerden bahsediyorsunuz (her bir öğe bir tablonun bir satırı, bir vektör), oysa üç bağlantınızdaki homojenlik kriterleri sayısal örneklerle ilgili. Matstat'taki çok değişkenli homojenlik kriterleri ayrı bir şarkı ve benim için pek açık değil.
Her bir öngörücü ayrı ayrı sayısal bir örnektir, o halde neden bunları ayrı ayrı değerlendirip sonuçların ortalamasını almıyoruz? Tahmin edicilerin çoğunda bozulma dinamikleri varsa, örneklem gereksizdir.
Birçok değişim noktası tespiti için arama görevi gibi görünüyor. Yine, işleri çok karmaşıklaştıran çok değişkenli (vektör) bir durumla çalışmamız gerektiği ortaya çıkıyor.
Genel olarak, çalışma için hangi özelliklerin seçildiğine bağlı olmaktan hoşlanmıyorum. Eğer bunlardan farklı setler alırsak, sonuçlar farklı olabilir.
Belki de segmentlerin belirli bir gruba aidiyetini belirleme ve gruplandırılmış bir popülasyon üzerinde eğitimin verimliliği açısından en iyi sonuçları verecek varyantları bulmalıyız.
Sadece bir örnek içinde karıştırabilirsiniz, eğer iki örneği karıştırırsanız, pazarın değiştiğini inkar etmiş olursunuz.
Mantığı tekrar göremiyor musunuz?
Pazarın değiştiğini nasıl kanıtlayabilirsiniz? Bu süreç ne kadar sürüyor? Yoksa sürekli değişiyor mu?
Pazarın değişebilirliğini nasıl kanıtlayabilirsiniz? Bu süreç ne kadar sürüyor? Yoksa sürekli değişiyor mu?
İşte bu, keyifli tartışmacı başladı.
Ve durağanlığı/durağan olmamayı belirlemek için hangi örneklem büyüklüğü alınmalıdır?
Size göre bir örüntü, örneklemdeki değişimin ömründen daha uzun yaşamıyor, ancak ya örneklemimde 8 yıl boyunca tekrar eden bir örüntü varsa? Bu nedir, bir anomali mi, yoksa örüntülerin hepsi değişmiyor mu ya da küçük bir alanda tespit edilen örüntüler hatalı ve başka faktörlerden mi kaynaklanıyor?
Her bir tahmin edici ayrı ayrı sayısal bir örnektir, öyleyse neden bunları ayrı ayrı tahmin edip sonuçların ortalamasını almıyoruz?
Bu yalnızca bağımsız özellikler söz konusu olduğunda işe yarar ve aynı fiyattan sayıldıkları için mümkün değildir. Bağımlılık durumunda her şey çok daha karmaşıktır - tek değişkenli dağılımların her zaman aynı üniform olduğu, ancak iki değişkenli dağılımların çok farklı olabileceği kopulaları örnek olarak alabiliriz.
Belki de segmentlerin belirli bir gruba aidiyetini belirleme ve gruplandırılmış bir popülasyon üzerinde eğitimin verimliliği açısından en iyi sonuçları verecek varyantları bulmalıyız.
Ağır numaralandırma hesaplamaları için bir iştahınız var) Özellik türlerine ve muhtemelen özellik parametrelerine göre numaralandırmayı (zaten önemli miktarda olan numaralandırmaya) eklememiz gerekecek.
Yine de, bana öyle geliyor ki yaklaşımınızda rasyonel bir tane var, üzerinde düşünülmesi gereken bir şey var.
Fikrin örnekleri (eğitim ve uygulama) karşılaştırmak olduğunu, teoriniz doğruysa, örnek arttıkça benzer olmaktan çıkacağını ve bunu anlamak için benzerliği değerlendirme yöntemlerinden türetilen değişimi değerlendirmek için kriterlere ihtiyacımız olduğunu yazmadım mı?
Ve durağanlığı/durağan olmamayı belirlemek için hangi örneklem büyüklüğü alınmalıdır?
Size göre bir örüntü, bir örnek değişiminin ömründen daha uzun yaşamaz, ancak örneğimde 8 yıl boyunca tekrar eden bir örüntü varsa ne olur? Bu nedir, bir anomali mi, yoksa örüntülerin hepsi değişmiyor mu ya da küçük bir alanda tespit edilen örüntüler yanlış ve başka faktörlerden mi kaynaklanıyor?
Farklı modeller ama benzer, farklı ve benzer değil, nasıl farklılaşırlar? Çatallanma noktası mutlaka modelin değişmesine yol açmayacaktır, aynı alanları görsel olarak manuel olarak işaretlemek mümkündür, ancak sonunda tahmin edici bir kısım yoktur, amaç, modelin durumunu veya uygunluğunu doğrulayan numunenin minimum uzunluğunu bulmaktır.
Modelin karmaşıklığı, burada elbette bir çelişki de var, basit bir model yeterince gerekli uzun bir bölümü tanımlamayacak, ancak tekrarlanacak, karmaşık bir model yeterince gerekli bir bölümü uzunluk olarak tanımlayabilir, ancak benzersiz olabilir. Her zaman olduğu gibi ortada bir şeye ihtiyaç vardır))))))
Modelin karmaşıklığı, burada elbette bir çelişki de var, basit bir model yeterince gerekli uzun bir bölümü tanımlamayacak, ancak tekrarlanacak, karmaşık bir model yeterince gerekli uzun bir bölümü tanımlayabilir, ancak benzersiz olabilir. Her zaman olduğu gibi ortada bir şeye ihtiyaç vardır))))))