Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3107
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
Bu tür nesneleri gruplamak için en iyi kümeleme yöntemi nedir?
Temelde bir matris var ve benzerliğini bir bütün olarak değerlendirmek önemli. Ve bazı nedenlerden dolayı, K-ortalamalar bence her şeyin ortalamasını çok fazla alacaktır.
İlginç bir okuma
https://quant.stackexchange.com/questions/1004/how-are-cryptography-and-speech-recognition-technology-applied-to-forecasting-fi
Evet ve genel olarak, tüm[quant-trading-strategies] etiketini incelemekçok ilginç
Bir inceleme umuduyla bir hediye
Bu tür nesneleri gruplamak için en uygun kümeleme yöntemi hangisidir?
Temel olarak bir matris vardır ve benzerliğini bir bütün olarak değerlendirmek önemlidir. Ve bazı nedenlerden dolayı, K-ortalamalar, sanırım, her şeyin ortalamasını çok fazla alacaktır.
Chat-GPT:
"
Matrisler üç boyutlu bir nesnenin tanımlarıysa, bunları gruplamak için üç boyutlu verilerin yapısını dikkate alan kümeleme yöntemleri kullanılabilir. İşte faydalı olabilecek birkaç yaklaşım:
Yoğunluk Tabanlı Kümeleme Yöntemi: DBSCAN (Gürültülü Uygulamaların Yoğunluk Tabanlı Uzamsal Kümelenmesi) iyi bir seçimdir çünkü verilerin yoğunluğunu dikkate alır. DBSCAN'ı üç boyutlu uzaydaki noktalar arasındaki yakınlık ölçülerini veya uzaklıkları kullanarak üç boyutlu matrislere uygulayabilirsiniz. Bu yöntem, üç boyutlu uzayda kompakt ve yoğun bölgeler oluşturan kümeleri belirlemenize yardımcı olabilir.
Spektral kümeleme: Spektral kümeleme yöntemi üç boyutlu matrisleri kümelemek için yararlı olabilir. Üç boyutlu verilere spektral bir dönüşüm uygulayabilir ve ardından kümelere ayırmak için kümeleme yöntemlerini (örn. k-ortalamalar) kullanabilirsiniz. Bu yaklaşım, verilerin yapısını dikkate almanıza ve üç boyutlu uzayda benzer olan grupları belirlemenize olanak tanır.
Hiyerarşik kümeleme: Hiyerarşik kümeleme, kümelerin hiyerarşik bir yapısını oluşturmak için üç boyutlu matrislere uygulanabilir. Matrisler arasında benzerlik veya uzaklık ölçütleri kullanabilir ve bu ölçütlere göre kümeleri birleştirebilir veya ayırabilirsiniz. Bu yaklaşım, üç boyutlu matris grupları arasındaki hiyerarşik ilişkileri keşfetmenize yardımcı olacaktır.
Özel veri kümenizin özelliklerini göz önünde bulundurmanız ve hedeflerinize ve gereksinimlerinize en uygun kümeleme yöntemini seçmeniz de önemlidir. Görevinize en uygun yaklaşımı bulmak için farklı yöntemler ve parametrelerle denemeler yapın.
"
Chat-GPT:
Ben de komşu noktaların ortalamasını alarak 5 nokta üzerinde matrisin konvolüsyonunu yapmayı ve bunlar üzerinde bir yöntemle benzerlik aramayı düşündüm.
Ve bazı nedenlerden dolayı, K-ortalamalar her şeyin ortalamasını çok fazla alacaktır.
Matrisin 5 nokta ile konvolüsyonunu, komşu noktaların ortalamasını alarak ve bunları bazı yöntemlerle benzerlik aramak için kullanmayı düşünüyordum.
...
matara ıslık çalar))
...
şişe ıslık çalar.)
Güçlü - bir centroid. ve aslında sabit koordinatlarla birkaç tane düşünüyordum..... Ancak, kiminle konuşuyorum - hazır çözümleri seven biriyle.....
Bir inceleme umuduyla bir hediye
Bu tür nesneleri gruplamak için en uygun kümeleme yöntemi hangisidir?
Temel olarak bir matris vardır ve benzerliğini bir bütün olarak değerlendirmek önemlidir. Ve bazı nedenlerden dolayı, K-ortalamalar işleri çok fazla ortalayacak gibi görünüyor.
h ttps:// habr.com/ru/companies/jetinfosystems/articles/467745/
Bağlantıda sorunun cevabını göremedim.