Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1934

Yeni yorum
 
Valeriy Yastremskiy :

Ve sonunda ne elde etmek istiyorsunuz?, harmoniklerle, yol Fourier'e gider. Veya ortogonal polinomlara göre, birçoğu var. Her şey bölünebilir)

Parçalamam gerekmiyor, yaratmam gerekiyor. Zaman zaman benim durumumu karşılayacak, hangi fonksiyonu bilmediğim bir fonksiyon oluşturmam gerekiyor, bu yüzden bir arama oluşturmam gerekiyor.

Harmoniklerle arama yapmak mümkündür, ancak tüm seçenekleri değerlendireceğim.

Bunlar temelde aynı yaklaşımdır, ancak numaralandırma hatayı azaltmak için değil, koşulu yerine getirmek için yapılır.


Bu yüzden, basit bir harmonik yaklaşımda bile, bu numaralandırmanın kendisinin nasıl düzenlendiğini bilmekle ilgileniyorum, işlevi değiştirmek için neyin neyle çarpıldığını bilmek istiyorum.

Bir işlevi diğerine ayarlama mekanizmasının genel olarak nasıl çalıştığı
 
mytarmailS :

Parçalamam gerekmiyor, yaratmam gerekiyor. Zaman zaman benim şartımı sağlayacak bir fonksiyon oluşturmak gerekiyor, hangi fonksiyonu bilmiyorum, bu yüzden bir arama oluşturmam gerekiyor.

Harmoniklerle arama yapmak mümkündür, ancak tüm seçenekleri değerlendireceğim.

Bunlar temelde aynı yaklaşımdır, ancak numaralandırma hatayı azaltmak için değil, koşulu yerine getirmek için yapılır.


Bu yüzden, basit bir harmonik yaklaşımda bile, bu numaralandırmanın kendisinin nasıl düzenlendiğini bilmekle ilgileniyorum, işlevi değiştirmek için neyin neyle çarpıldığı?

Bir işlevi diğerine ayarlama mekanizmasının genel olarak nasıl çalıştığı

Formüllerde anlam açısından en büyük periyottan en küçüğüne açılımı söylemeyeceğim. En büyük harmoniği bulduk, gerçek sinyalden çıkardık, kalandan en büyük harmoniği bulduk ve gerekli doğrulukta çıkardık. Ve yaklaşımda (doğrudan kesikli doğrusal fonksiyonlarla gerçek sinyalin yaklaşık temsili), harmoniği düz çizgilerle ayrık bölümlerde temsil ediyoruz. Ayrıklaştırma periyodun yarısı ise (daha fazlaysa, hiçbir şey işe yaramaz), o zaman uçlar arasında P veya düz çizgiler, çeyrek veya daha fazlaysa, sonra kesik çizgiler elde ederiz. Ve örnekleme adımını azaltırsak, doğruluğu artırırız.

Fiyat seçimine uzun bir bölümde bakarsanız, kısa bölümlere ayırabilir ve bu bölümler üzerinde lineer, güç, harmonik, logaritmik fonksiyonlara bakabilir/sıralayabilirsiniz. İdeal olarak harmonikler ve doğrusal ortogonaller sorunu çözmelidir. Tekrar tekrar kanıtlanmıştır. Ama sadece tarihte.

Piyasanın bir anlamı yok, zamanla fonksiyonları/matematiksel modelleri değiştiriyoruz ama net bir kriter yok, matematiksel modeli belirlemek için ne kadar veriye ihtiyaç olduğu ve aynı VR ile uyumsuz olduğu kanıtlanmadı, bunun dışında yarım periyot ayrıklığı sonuç vermeyecektir, bu kanıtlanmıştır). Hepsi ampirik olarak veya MO ile NS) ama aynı zamanda ampirik olarak.

Değişen koşullara sahip bir fonksiyon yoktur, bu bölümde bir harmonik setimiz ve bir sonraki bölümde bir tane harmonikimiz var. Ses örneklemesi 48 kilohertz'dir, duyduğumuzdan iki kat fazladır, bu nedenle yüksek frekanslarda kaybederiz. Ve şekil 2'de 1/48000 saniyelik bir periyotta sinyal seviyeleri.

 
mytarmailS :

Parçalamam gerekmiyor, yaratmam gerekiyor. Zaman zaman benim şartımı sağlayacak bir fonksiyon oluşturmak gerekiyor, hangi fonksiyonu bilmiyorum, bu yüzden bir arama oluşturmam gerekiyor.

Harmoniklerle arama yapmak mümkündür, ancak tüm seçenekleri değerlendireceğim.

Bunlar temelde aynı yaklaşımdır, ancak numaralandırma hatayı azaltmak için değil, koşulu yerine getirmek için yapılır.


Bu yüzden, basit bir harmonik yaklaşımda bile, bu numaralandırmanın kendisinin nasıl düzenlendiğini bilmekle ilgileniyorum, işlevi değiştirmek için neyin neyle çarpıldığı?

Bir işlevi diğerine ayarlama mekanizmasının genel olarak nasıl çalıştığı
harmonik, Fourier üzerinden mi? sadece farklı periyotlara ve genliklere sahip sinüzoidler toplanır A1*cos(2Pi*t/T1+Fi1)+ A2*cos(2Pi*t/T2+Fi2) +... A - genlik, T - periyot, Fi - faz
 
mytarmailS :

Bunu sana kaç kez yazdım? 3? 5?

Eh, bir nedenden dolayı bunu buldular ve daha önce bu mucize Yudo'yu uygulayan ve örneğin eğitim için uygun olduğu sonucuna varan bir kişiyle attıkları videolar ...

 
Alexey Vyazmikin :

Eh, bir nedenden dolayı bunu buldular ve daha önce bu mucize Yudo'yu uygulayan ve örneğin eğitim için uygun olduğu sonucuna varan bir kişiyle attıkları videolar ...

t-sne (gibi) kullandı ama önemli değil, onlar buldular ve harika çalışıyor ve çalışıyor ama piyasa için değil, diğer her şey gibi, internetten herhangi bir veri seti indirin ve göreceksiniz bu şey iyi çalışıyor ama ...

Ancak şu sonuca varabiliriz: kümeler istikrarlı oluşturulur ve değişmezler, ancak kâr ile rezonansa girmezler, hedef kâr ile rezonansa girer, ancak muhtemelen her hedef bir tıkaç olduğu için kümeler arasında dolaşır, ancak küme nesnel bir gerçektir . Şu anda bir öğretmen olmadan eğitim alacağım, en başından beri planladığım gibi, kalıpları tarihten analoglarla, ancak fiyatlara göre değil, umap ile tanımaya çalışmak istiyorum.


Rorschach :
harmonik, Fourier üzerinden mi? sadece farklı periyotlara ve genliklere sahip sinüzoidler eklenir A1*cos(2Pi*t/T1+Fi1)+ A2*cos(2Pi*t/T2+Fi2) +... A - genlik, T - periyot, Fi - faz

Kahretsin, hepsi zor .... Harmonikleri anladım, ama muhtemelen fanardan harmoniklerden satırlar toplamak ve aptalca denemek, muhtemelen bir şeye bağlı olarak aynı şekilde yapılmalı, kahretsin zor .. .. ama yaparsan, o zaman kâse

 
mytarmailS :

Özellik Seçimi [ düzenle | kodu düzenle ]

Ana makale:   Öznitelik Seçimi

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] .

Açıklamalarınızla birlikte metni kaçırdım - düzeltildi.

Hemen bir takım sorularım var:

1. Kodda ayrı uygulama için herhangi bir kural biçimindeki dönüşümleriyle özellik seçiminin sonucu nasıl elde edilir?

2. Belki seçilen özellikleri ve dönüşümlerini bir ağaç veya başka bir şey aracılığıyla görselleştirme fırsatı vardır?

3. Bu özellik seçme stratejilerini denediniz mi?

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   gibi veri analizi   gerileme   veya   sınıflandırma , küçültülmüş uzayda orijinal uzayda olduğundan daha doğru bir şekilde gerçekleştirilebilir [3] .

mytarmailS :

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 ]

  1. Gerekli süreyi ve hafızayı azaltır.
  2. Çoklu bağlantının kaldırılması, bir makine öğrenimi modelinin hızını artırır.
  3. 2D veya 3D gibi çok düşük boyutlara indirildiğinde verileri görsel olarak temsil etmek daha kolaydır.

Ve koddan bana, kümelemenin ayrı olduğu, projeksiyonun ayrı olarak oluşturulduğu ve ardından oluşturma sırasında renk derecelendirmesi için kümeleme sonuçlarını gönderdik gibi geldi - hayır?

 
mytarmailS :

t-sne (gibi) kullandı ama önemli değil, onlar buldular ve harika çalışıyor ve çalışıyor ama piyasa için değil, diğer her şey gibi, internetten herhangi bir veri seti indirin ve göreceksiniz bu şey iyi çalışıyor ama ...

Ancak şu sonuca varabiliriz: kümeler istikrarlı oluşturulur ve değişmezler, ancak kâr ile rezonansa girmezler, hedef kâr ile rezonansa girer, ancak muhtemelen her hedef bir tıkaç olduğu için kümeler arasında dolaşır, ancak küme nesnel bir gerçektir . Şu anda bir öğretmen olmadan eğitim alacağım, en başından beri planladığım gibi, kalıpları tarihten analoglarla, ancak fiyatlara göre değil, umap ile tanımaya çalışmak istiyorum.

Peki, sınıflandırma için tarihe işaretlerini nasıl alırsınız? Ve sonra, anladılar, ama sonra ne olacak? Geçen gün hedef aramayı 4 kümeye böldüm ... hedefi kümeden kümeye değiştirmek dışında. Genel olarak, dizelerin neden farklı kümelere uçtuğunu anlamanız gerekir - eğer varsa ve pazarla tutarlıysa mantığı analiz etmek için.

 
Alexey Vyazmikin :

Açıklamalarınızla birlikte metni kaçırdım - düzeltildi.

Hemen bir takım sorularım var:

1. Kodda ayrı uygulama için herhangi bir kural biçimindeki dönüşümleriyle özellik seçiminin sonucu nasıl elde edilir?

2. Belki seçilen özellikleri ve dönüşümlerini bir ağaç veya başka bir şey aracılığıyla görselleştirme fırsatı vardır?

3. Bu özellik seçme stratejilerini denediniz mi?

4. Koddan bana, kümelemenin ayrı olduğu, projeksiyonun ayrı olarak oluşturulduğu ve ardından, oluşturma sırasında renk derecelendirmesi için kümeleme sonuçlarını gönderdik gibi geldi - hayır?


1. Bu, kodda ayrı uygulama kuralları ile 100.000 kapanış fiyatını açıklamak istemekle aynıdır.

2. işaretler, tüm sonuçları olan işlevler şeklinde elde edilir

3. Bir şey denedim, boyutu küçültüyor, kaliteyi artırmıyor ama yine de harika, örneğin 10k işareti kaliteden ödün vermeden 500'e sıkıştırabilirsiniz, bana göre çok iyi. soğuk veya kabul edilebilir bir kayıpla 50'ye kadar.

4. öyleydi, önce boyutu küçülttük, sonra kümeledik , burada yazıyor - -----   k-en yakın komşuları uygulamadan önce

 
mytarmailS :


1. Bu, kodda ayrı uygulama kuralları ile 100.000 kapanış fiyatını açıklamak istemekle aynıdır.

2. işaretler, tüm sonuçları olan işlevler şeklinde elde edilir

3. Bir şey denedim, boyutu küçültüyor, kaliteyi artırmıyor ama yine de harika, örneğin 10k işareti kaliteden ödün vermeden 500'e sıkıştırabilirsiniz, bana göre çok iyi. soğuk veya kabul edilebilir bir kayıpla 50'ye kadar.

4. öyleydi, önce boyutu küçülttük, sonra kümeledik , burada yazıyor - -----   k-en yakın komşuları uygulamadan önce

1. Görünüşe göre soruyu yanlış anladınız - bu sadece kuralları bir dosyaya yüklemekle ilgili, ancak 2. paragrafta onaylanan kurallar var.

2. İyi.

3. Dönüşümlerinden sonra da dahil olmak üzere, tahmin ediciler arasında yüksek bir korelasyon olması muhtemel midir? Emekli tahmincilerin bir listesini alabilirsiniz veya bırakmazlar, ancak gruplar halinde birleşirler - anlayamıyorum.

4. Belki kodu yanlış anladım veya yanlış kümeledim, tekrar göndereceğim

 #way <- "F:\\FX\\R\\tree_classification_2019_fS_Eks_29\\Test_Pred_ALL_01.csv"    # ваш путь
way <- "F:\\FX\\R\\2020_04_11_Pred_New_Full\\Pred_New_Full.csv"    # ваш путь

dt <- read.csv(file = way,header = T,sep = ";" ) # читаем файл

target <- dt$Target_100 # целевую в отдельную переменную

dt <- dt[, ! colnames(dt)  %in% 
           #           c( "Target_100_Buy" , "Target_100_Sell" ,
           #             "Time" , "Target_100" )  ] # удаляем не нужные колонки
                      c( "Target_100" )  ] # удаляем не нужные колонки

km <- kmeans(um$layout, centers = 4 )            

# роскоментируем и Устанавливаем нужные пакеты после чего эту строку можно удалить
#install.packages(c( "rgl" , "car" , "umap" ))



# про umap
#https: //cran.r-project.org/web/packages/umap/vignettes/umap.html
#https: //github.com/ropenscilabs/umapr

library (umap)
um <- umap(dt,n_components= 3 )   
# n_components= 3   во сколько измерений уменьшаем данные, можно 100 можно 1
# можно 333 , но нам для 3 д надо трех мерное пространство поетому у нас n_comp= 3
um.res <- um$layout # наши три вектора выход 



#тут все настройки по пакету  car
# http: //www.sthda.com/english/wiki/amazing-interactive-3d-scatter-plots-r-software-and-data-visualization
library (car)   # 3 d

target <- as .factor(target)   #   target нужен для того чтобы окрасить точки в цвет целевой

scatter3d(x = um.res[, 1 ], 
          y = um.res[, 2 ], 
          z = um.res[, 3 ],
          groups = as .factor( km$cluster ),
          grid = FALSE, 
          surface = FALSE,
          ellipsoid = TRUE,
            bg.col = "black" )


write.csv(km$cluster, file = "F:\\FX\\R\\2020_04_11_Pred_New_Full\\Pred.csv" , sep = ";" ,row.names = F,col.names = T)
 
Alexey Vyazmikin :

1. Görünüşe göre soruyu yanlış anladınız - bu sadece kuralları bir dosyaya yüklemekle ilgili, ancak 2. paragrafta onaylanan kurallar var.

2. İyi.

3. Dönüşümlerinden sonra da dahil olmak üzere, tahmin ediciler arasında yüksek bir korelasyon olması muhtemel midir? Emekli tahmincilerin bir listesini alabilirsiniz veya bırakmazlar, ancak gruplar halinde birleşirler - anlayamıyorum.

4. Belki kodu yanlış anladım veya yanlış kümeledim, tekrar göndereceğim

1. o zaman hala anlamıyorum

3. Dönüşümden sonra ilişkili öznitelikler olamaz. Evet, başka yapılar (işaretler) ile birleştiklerini söyleyebiliriz, ancak fazlalık olmadan

4. 

dt <- dt[, ! colnames(dt)  %in% 
           #           c( "Target_100_Buy" , "Target_100_Sell" ,
           #             "Time" , "Target_100" )  ] # удаляем не нужные колонки
                      c( "Target_100" )  ] # удаляем не нужные колонки

hepsi bir ifade, içinde yorum yapamazsınız)))

1...192719281929193019311932193319341935193619371938193919401941...3399
Yeni yorum
Neden: