Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2312

[[Silindi]]

elibrarius :
Testere. Bu o değil. Burada 3x3 matrisi sadece değişkenlere yeniden yazılmıştır. Ancak yeni bileşen vektörleri hesaplanmaz.
Sonuç olarak her bileşen için 6 satır almanız gerekiyor (bu örneğe göre).

Gerçekten kaybettim ve hatırlamıyorum .. pca'da botun bir versiyonu vardı, bulursam atarım

[Aleksei Kuznetsov]

Maksim Dmitrievski :

Gerçekten kaybettim ve hatırlamıyorum .. pca'da botun bir versiyonu vardı, bulursam atarım

Tüm sürücüde PCABuildBasis kelimesini aramak yardımcı olabilir) Dosya silinmezse.

[[Silindi]]

elibrarius :
Tüm diskte PCABuildBasis kelimesini aramak yardımcı olabilir) Dosya silinmezse.

bulutta arşivlerde her şey eski

işte pca veya lda'dan bir kod parçası (ikincisi yorumlandı)

 //+------------------------------------------------------------------+
//|Use LDA for inputs transforming                                   |
//+------------------------------------------------------------------+
CRLAgent::PCApermutation( void ) {                                         
 int inf;    
 double s2s[];            
 //CLDA::FisherLDAN(RDFPM,RDFPM.Size(),features,2,inf,LDAmatrix); 
 CPCAnalysis::PCABuildBasis(RDFPM,RDFPM.Size(),features,inf,s2s,LDAmatrix);  
 RDFPMPCA.Resize(RDFPM.Size(), this .features+ 2 );  
 ArrayResize (PCAarr,features*features);
   
 int ldaind= 0 ;
 for ( int f= 0 ;f< this .features;f++)
   for ( int i= 0 ;i< this .features;i++) {
   PCAarr[ldaind] = LDAmatrix[i][f];
   ldaind++; }
   
 for ( int s= 0 ; s< this .features; s++) {
   for ( int i= 0 ;i<RDFPMPCA.Size();i++) {
   double feach = 0 ;
   for ( int f= 0 ;f< this .features;f++)
    feach+=RDFPM[i][f]*LDAmatrix[f][s];   
    RDFPMPCA[i].Set(s,feach);
    RDFPMPCA[i].Set( this .features,RDFPM[i][ this .features]);
    RDFPMPCA[i].Set( this .features+ 1 ,RDFPM[i][ this .features+ 1 ]); } }                      
  CDForest::DFBuildRandomDecisionForest(RDFPMPCA,RDFPMPCA.Size(), this .features, 2 ,trees,r,RDFinfo,RDF,RDF_report);
  RDF_report.m_oobrelclserror = CDForest::DFRelClsError(RDF,RDFPMPCA,RDFPMPCA.Size());
 
 ArrayResize (permutated, this .features);
 double buypass[]; ArrayResize (buypass,RDFPMPCA.Size());
 for ( int s= 0 ; s< this .features; s++) {
   for ( int i= 0 ;i<RDFPMPCA.Size();i++) {  
   buypass[i] = RDFPMPCA[i][s];
   RDFPMPCA[i].Set(s, rand ()/ 32767.0 ); } 
  permutated[s][ 1 ] = s; double err = CDForest::DFRelClsError(RDF,RDFPMPCA,RDFPMPCA.Size()); if (err == 0.0 ) err = 0.001 ;
  permutated[s][ 0 ] = RDF_report.m_oobrelclserror / err; 
   for ( int i= 0 ;i<RDFPMPCA.Size();i++) RDFPMPCA[i].Set(s,buypass[i]); }
   
 ArraySort (permutated); ArrayResize (permutated, this .bf_n); 
 RDFPM.Resize(RDFPMPCA.Size(), this .bf_n+ 2 );
  
 for ( int s= 0 ; s< this .bf_n; s++) {
   for ( int i= 0 ;i<RDFPMPCA.Size();i++) {   
   RDFPM[i].Set(s,RDFPMPCA[i][( int )permutated[s][ 1 ]]);
   RDFPM[i].Set(bf_n,RDFPMPCA[i][ this .features]);
   RDFPM[i].Set(bf_n+ 1 ,RDFPMPCA[i][ this .features+ 1 ]); } } 
 CDForest::DFBuildRandomDecisionForest(RDFPM,RDFPM.Size(), this .bf_n, 2 ,trees,r,RDFinfo,RDF,RDF_report); }

[[Silindi]]

işte başka

 //+------------------------------------------------------------------+
//|Use LDA for inputs transforming                                   |
//+------------------------------------------------------------------+
CRLAgent::LDA( void ) {                                        
   CDecisionForest   mRDF;                                                  
   CDFReport         mRep;   
   int inf;    
   double s2s[];            
   //CLDA::FisherLDAN(RDFpolicyMatrix,RDFpolicyMatrix.Size(),features,2,inf,LDAmatrix); 
   CPCAnalysis::PCABuildBasis(RDFpolicyMatrix,RDFpolicyMatrix.Size(),features,inf,s2s,LDAmatrix);
   
   
   RDFpolicyMatrix2.Resize(RDFpolicyMatrix.Size(),bestfeatures_num+ 2 );
   
   ArrayResize (LDAarr,features*features);
   
   int ldaind= 0 ;
   for ( int f= 0 ;f< this .features;f++)
     for ( int i= 0 ;i< this .features;i++){
       LDAarr[ldaind] = LDAmatrix[i][f];
       ldaind++;
      }
   
   for ( int s= 0 ; s< this .bestfeatures_num; s++) {
     for ( int i= 0 ;i<RDFpolicyMatrix.Size();i++) {
       double feach = 0 ;
       for ( int f= 0 ;f< this .features;f++)
         {
          feach+=RDFpolicyMatrix[i][f]*LDAmatrix[f][s];
         }
        RDFpolicyMatrix2[i].Set(s,feach);
        RDFpolicyMatrix2[i].Set(bestfeatures_num,RDFpolicyMatrix[i][ this .features]);
        RDFpolicyMatrix2[i].Set(bestfeatures_num+ 1 ,RDFpolicyMatrix[i][ this .features+ 1 ]);
       }
    }
                        
  CDForest::DFBuildRandomDecisionForest(RDFpolicyMatrix2,RDFpolicyMatrix2.Size(),bestfeatures_num, 2 ,trees,r,RDFinfo,RDF,RDF_report);
 }

[Aleksei Kuznetsov]

Teşekkürler, inceleyeceğim

[[Silindi]]

elibrarius :

Teşekkürler, inceleyeceğim

Burası gibi. Özellikler vektörlerin katsayıları ile çarpılır

daha sonra orman bileşenler üzerinde eğitilir

 for ( int s= 0 ; s< this .bestfeatures_num; s++) {
     for ( int i= 0 ;i<RDFpolicyMatrix.Size();i++) {
       double feach = 0 ;
       for ( int f= 0 ;f< this .features;f++)
         {
          feach+=RDFpolicyMatrix[i][f]*LDAmatrix[f][s];
         }
        RDFpolicyMatrix2[i].Set(s,feach);
        RDFpolicyMatrix2[i].Set(bestfeatures_num,RDFpolicyMatrix[i][ this .features]);
        RDFpolicyMatrix2[i].Set(bestfeatures_num+ 1 ,RDFpolicyMatrix[i][ this .features+ 1 ]);
       }
    }

[cemal]

Ludwig, kod yazmak zorunda kalmadan derin öğrenme modellerine sahiptir, modeli eğitmek için herhangi bir programlama becerisi gerekmez: https://ludwig-ai.github.io/ludwig-docs/

[Aleksei Kuznetsov]

Maksim Dmitrievski :

Burası gibi. Özellikler vektörlerin katsayıları ile çarpılır

 for ( int s= 0 ; s< this .bestfeatures_num; s++) {
     for ( int i= 0 ;i<RDFpolicyMatrix.Size();i++) {
       double feach = 0 ;
       for ( int f= 0 ;f< this .features;f++)
         {
          feach+=RDFpolicyMatrix[i][f]*LDAmatrix[f][s];
         }
        RDFpolicyMatrix2[i].Set(s,feach);
        RDFpolicyMatrix2[i].Set(bestfeatures_num,RDFpolicyMatrix[i][ this .features]);
        RDFpolicyMatrix2[i].Set(bestfeatures_num+ 1 ,RDFpolicyMatrix[i][ this .features+ 1 ]);
       }
    }

daha sonra orman bileşenler üzerinde eğitilir

1) Anlamı tam olarak açık değildir. İlk verilerin 100 sütunu yerine, bilgilerin bir kısmının kaybolduğu 100 sütun ana bileşen gönderildi.
100 ilk bileşen yerine 10-20 ana bileşen sunulmalıdır, daha sonra bilgi kaybı öğrenme oranı ile telafi edilir.

2) 1000 satır başına 100 sütundan defterin 1000 satırı başına 10 sütun yapmayı asla anlamadım.
İlk 10 bileşenden 1000 satır üretilmesi gerekmektedir. Bileşenleri olan matris 100x100 olacaktır.

[mytarmailS]

elibrarius :

1) Anlamı tam olarak açık değildir. İlk verilerin 100 sütunu yerine , bilgilerin bir kısmının kaybolduğu 100 sütun ana bileşen gönderildi.
100 ilk bileşen yerine 10-20 ana bileşen sunulmalıdır, daha sonra bilgi kaybı öğrenme oranı ile telafi edilir.

))))

Yüz özellikten yüz bileşen yapılırsa, bilgi kaybı yüzdesi %0.0'dır.

Teoriyi ya da başka bir şeyi öğrenirdim))

[Aleksei Kuznetsov]

mytarmailS :

))))

Yüz özellikten yüz bileşen yapılırsa, bilgi kaybı yüzdesi %0.0'dır.

Teoriyi ya da başka bir şeyi öğrenirdim))

Teoride, belki de öyle.
Ama yine de, eylemin anlamı? Hızda bir artış yoksa, daha ziyade bir yavaşlama varsa, ekstra bir işlem.
100 üzerinden 10 almak gerekiyor. Çözümü var mı?