Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2757
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
Aşırı yükleme için ilk fikir, aynı isimde ancak farklı argümanlara sahip başka bir fonksiyon yazmaktır. Bunu Rcpp'de hiç yapmadım, bu yüzden işe yarayıp yaramayacağını bilmiyorum. Muhtemelen C kodunu ayrı bir dosyada yapmam ve cppFunction() yerine sourceCpp() kullanmam gerekecek.
Teşekkürler
Doğru. A priori varsayımların eksikliği nedeniyle ikinci tip kullanılır.
Benim görüşüme göre iki tür bağlantı vardır.
Bunlardan ilki nedenseldir ve bazı hesaplamalardan ziyade, söz konusu konu alanındaki bilgiden elde edilen araştırma nesnesi hakkındaki a priori bilgilerle belirlenir.
İkinci tür, nesnenin davranışını gözlemleyerek elde edilen bazı verilerden a posteriori olarak hesaplanabilen olasılıksal bağımlılıktır. İkinci tür korelasyon, deterministik bağımlılık (uç bir durum olarak) ve kopulalar ve diğer yöntemlerle tanımlananlar da dahil olmak üzere benzerlerini içerir. Bu türün incelenmesinin temeli, tahmin ediciler ve hedef için ortak bir dağılım olduğu varsayımıdır.
Deney eksikliği nedeniyle 2. tip kullanılmaktadır (örn. ABD Gıda ve İlaç Birliği - sonuçları için normal temsili bir örneği test etmez, bu nedenle Bayesian yaklaşımlarına dayanır)... ve a priori bilgi olmadan, modellenecek hiçbir şey yoktur
Deney eksikliği nedeniyle 2. tip kullanılmaktadır (örn. ABD Gıda ve İlaç Birliği - sonuçları için normal temsili bir örneği test etmez, bu nedenle Bayesian yaklaşımlarına dayanır)... ve a priori bilgi olmadan, modellenecek hiçbir şey yoktur
Numerai yarışmasına katılan var mı? Orada para kazanmak için ne yapmanız gerekiyor?
Kendi paranızı yatırmanız mı gerekiyor? Ödeme modellerinin ne olduğunu anlamıyorum.
Numerai yarışmasına katılan var mı? Orada para kazanmak için ne yapmanız gerekiyor?
Kendi paranızı yatırmanız mı gerekiyor? Ödeme modellerinin ne olduğunu anlamıyorum.
Kütüphaneye bakmadım, makale iğrenç - istatistiklerin sağduyusuyla çelişiyor ....
standart İngilizce kaynaklar - zaman serisi analizinin anlamı, uygulama/müdahale anındaki politika değişikliğine ve toplam trendin eğimindeki değişikliğin analizine indirgenmiştir (ki bu, sanırım, uygulama anında politikanın etkisini deneyimleyen ve karar verme sürecini değiştiren bir aktör olarak yorumlanabilir - ki pazarlamacıların araştırmaları, fiyatın müşterilere, prensipte ürüne ya da alışveriş merkezinin konumuna vb. uygun olup olmadığını anlamak için indirim, satış vb. promosyonların etkisini değerlendirirken bunu amaçlamaktadır) ....д.)...
ancak modellemede her zaman olduğu gibi aynı sorun - tedavi sonrasını değerlendirmek için elbette "yardım edildi-yardım edilmedi-kayıtsız kalındı" (müdahale açısından) sonuçlarına yaklaşmak için bir örneğe(!) ihtiyacınız var...
ve karşı olgusal açıdan - bir politika değişikliğinin (veya bazı müdahalelerin) neden olduğu değişikliklerin dinamiklerini değerlendirmek için doğru soruyu sormak - ölçütü, hedefi ve parametreleri (ayarlama için) seçmek önemlidir - çünkü farklı sorgulamalar farklı sonuçlar (ve farklı eğim değişiklikleri) verebilir - dolayısıyla farklı sonuçlar.
ML gerçek verilerindeki dengesizlik sorunu (tahminleri saptıran) kafamı karıştırıyor - burada bunu aşırı örnekleme / yanlış örnekleme ile çözen var mı? -- Gerçek veriyi bu şekilde çarpıtmanın anlamını göremiyorum....
ancak tedavi öncesi aşamada temsili bir örneklem elde etmek gerekir (a priori olasılık dağılımı) ve posterior dağılım tedavi sonrasında elde edilir (örneğin, politika değişikliği)... Durdurma Kuralınıza karar vermenin önemli olduğu yer burasıdır - yani sonuçları iyileştirmek için örneklemi artırmak mı yoksa bir sonuç çıkarmak için seçilen örneklem sınırıyla yetinmek mi.... muhtemelen örneklemi artırdığımızdan daha az istatistiksel olarak anlamlı olacaktır. ancak örneklemin artırılmasının ortalama veya varyansın istatistiksel anlamlılığını artıracağı kesin değildir.
= Bu bir büyüklük sorunudur. genellikle müdahalenin etkisi büyükse küçük bir örneklemde görülebilir....
faktörler (FS) sorunu da devam etmektedir - dikkate alınan faktörlerin sayısını artırarak tahminlerin yanlılığını azaltırız, ancak varyansı artırırız ... Görev: Düşük varyanslı yansız tahminler elde etmek için önemli faktörleri bulmak ( Açıklayıcı Veri Analizinde her zamanki gibi - bu yüzden bunaData_Science deniyor, aptal bir programcının rastgele yaklaşımı değil) (bu iki hedefin dengesi geliştiricinin takdirine bağlıdır).
Vladimir, faktör seçme sorunu hakkında zaten çok şey ifade etti - eğer yüksek olasılıklı bir işlem seçmek için olasılıkları modelliyorsak.
P.S..
hız ve ivme (varsa) zaman serisi analizinde her zaman önemlidir, tedavi öncesi ve sonrası dönemdeki karşılaştırmaları sonuç verir (yön değişikliği dahil)...
doğru seçilmiş hedeflerin ıraksama/yakınsama ve ekstremumları da geçerliliğini korur... her şey her zamanki gibi - her şey sinir ağının Tasarımı/Mimarisi ile ilgili... ve yalnızca trendler ve bunların gelişme olasılıkları tahmin edilir - daha fazlası değil... ve günlük tüccarlar için piyasada her şey uzun vadeli bir trendden daha hızlı değişir (D1 ile analiz edilirse) - bu nedenle zaman faktörü de robotun günlük ticaret modeline dahil edilmelidir.... Genel olarak, ticaret tarzınızı resmileştirin, böylece her zaman monitörün önünde oturmak zorunda kalmazsınız. Ve eğer isterseniz, giriş ve çıkışlar veya piyasanın dışında kalmak için istatistiksel nedenler arayın (risk yönetimi nedeniyle bile - piyasa net olmadığında).
p.p.s
Konu Yapısal Nedensel Modellerin (daha önce de belirttiğim gibi neyin neye bağlı olduğu) incelenmesi açısından sonsuza kadar geliştirilebilir - dışsal (dışarıdan gelen etki) ve içsel (örneğin emtia veya finansal para birimi ve hatta sanırım iktidar partisinin değişmesi) faktörlerin dikkate alınması dahil.... Genel olarak, her zamanki gibi, herhangi bir hipotez için verileri inceleyebilir ve ilgilendiğiniz belirli bir anlamlılık düzeyi için boş hipotezin kabulüne veya reddine bakabilirsiniz ([anlamlılık düzeyi] olası iyileştirmesi için örneklem büyüklüğünü artırmak).
p.p.p.s
Bazı insanlar olasılıksal dağılım kelimesinden hoşlanmasa da - ancak özü değişmez - dağılımlar koşullu olsalar bile hala olasılıksaldır (koşul, sınıflandırma için bir neden verir) ... ve Before_treatment ve After-treatment (A/B testinde) koşulların (politikanın) değişmesi olarak düşünülebilir, ancak eğim aynı olsa bile regresyonu tahmin etmek veya varyansı (değişip değişmediğini) karşılaştırmak mümkündür.
Bu yüzden önce algoritmaya karar vermeniz gerektiğini söylüyorum (dengesizlikler dahil - onlarla ne yapmak istediğinizi bilmiyorum ???)... ve sonra kodu gerekli varlıklar / sınıflarla yüklemenize izin veren bir kütüphane arayın... - daha önce aşırı örneklemeyi tavsiye ettiğinizde)... ve sonra gerekli varlıkları / sınıfları koda eklemenize izin veren bir lib arayın... veya gerekli sınıflarla kendi kütüphanenizi kodlayın... ya da ihtiyacınız olan sınıflarla kendi kütüphanenizi kodlayın.
Bu yüzden önce algoritmaya karar vermeniz gerektiğini söylüyorum (dengesizlikler dahil - onlarla ne yapmak istediğinizi bilmiyorum ???)... ve sonra kodu gerekli varlıklar / sınıflarla yüklemenize izin veren bir kütüphane arayın... - daha önce aşırı örneklemeyi tavsiye ettiğinizde)... ve sonra gerekli varlıkları / sınıfları koda eklemenize izin veren bir lib arayın... veya gerekli sınıflarla kendi kütüphanenizi kodlayın... ya da ihtiyacınız olan sınıflarla kendi kütüphanenizi kod layın.
İhtiyacınız olan her şey sizden önce kodlanmıştır.
R'nin caret kabuğu, sizin terminolojinizde (kütüphaneler) 200'e kadar(!) model + veri madenciliği ve model seçimi için gerekli tüm pipelining'i içerir.
Sorun tahmin edicilerin seçiminde ve bunların seçiminde, modellerde uzun süredir sorun yok.