Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 804
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
Üzülmeyin farkındayım.)) Yine de kendinizi daha rahat hissediyorsanız devam edebilirsiniz.
Ve diğer açılardan haklısın.
Lütfen söyleyin, ilk aşamada veri seçimi için hedef verilerle korelasyon aramak yeterli, öyleyse hangi korelasyon eşiği kullanılmalıdır?
Korelasyon doğrusal bir yöntemdir. Varsa, bahçeyi Ulusal Meclis'ten ayırmanın bir anlamı yok. Doğrusal regresyon yeterlidir.
Cevap için teşekkürler.
Ve ek özellikler ekleyerek en kararlı ilişkileri belirlemek için doğrusal regresyon nasıl uygulanır?
Ve şimdi bu nüansı düşündüm .... aslında.
On'a on matrisimiz var, bunun hakkında ne söyleyebiliriz?
Veri miktarı 100. sayılır
Daha sonra, bu verilerdeki herhangi bir birimde ifade edilecek olan bilgi miktarını hesaplayabiliriz. Bu veri seti, veri miktarı ve bilgi miktarı dışında başka neler içeriyor???? Cevapla eziyet etmeyeceğim ve kendim cevaplayacağım. Bilgi miktarı. Bütün bunlar hedefle ilgili olarak doğaldır. Dolayısıyla, nedensel bir ilişki temelinde düşünürsek, aşağıdaki modeli elde ederiz.
Bilgi miktarı -> Veri miktarı -> Bilgi miktarı.
Buna göre tahmin yapabilmek için bilgi miktarını değil, veri setinden istenilen değerle ilgili tam olarak BİLGİ'yi bulmak gerekir.
Bilginin kendisi, beceriksiz veri dönüşümü yoluyla kaybolabilecek çok kırılgan bir şeydir. Bir girişte küçük bir miktar bile dikkatsiz bir değişiklik, tamamen kaldırılmazsa bu sayıyı önemli ölçüde azaltabilir.
Bu nedenle, girdi verilerinin dönüşümlerle karmaşık hale getirilmesi önerilmez. Dönüşüm ne kadar karmaşıksa, sonunda o kadar az bilgi kalır.
Şey, öyle... Yüksek madde hakkında yüksek sesle düşünürler, bazıları bunu anlamaz ve son durağa varmadan yolculuklarına devam ederler....
Ve şimdi bu nüansı düşündüm .... aslında.
On'a on bir matrisimiz var, bunun hakkında ne söyleyebiliriz?
Veri miktarı 100'dür. sayılır
Daha sonra, bu verilerdeki herhangi bir birimde ifade edilecek olan bilgi miktarını hesaplayabiliriz. Bu veri seti, veri miktarı ve bilgi miktarı dışında başka neler içeriyor???? Cevapla eziyet etmeyeceğim ve kendim cevaplayacağım. Bilgi miktarı. Bütün bunlar hedefle ilgili olarak doğaldır. Dolayısıyla, nedensel bir ilişki temelinde düşünürsek, aşağıdaki modeli elde ederiz.
Bilgi miktarı -> Veri miktarı -> Bilgi miktarı.
Buna göre tahmin yapabilmek için bilgi miktarını değil, veri setinden istenilen değerle ilgili tam olarak BİLGİ'yi bulmak gerekir.
Bilginin kendisi, beceriksiz veri dönüşümü yoluyla kaybolabilecek çok kırılgan bir şeydir. Bir girişte bile önemsiz miktardaki dikkatsiz bir değişiklik, tamamen ortadan kaldırmazsa bu sayıyı önemli ölçüde azaltabilir.
Bu nedenle, girdi verilerinin dönüşümlerle karmaşık hale getirilmesi önerilmez. Dönüşüm ne kadar karmaşıksa, sonunda o kadar az bilgi kalır.
Şey, öyle... Yüksek madde hakkında yüksek sesle düşünürler, bazıları bunu anlamaz ve son durağa varmadan yolculuklarına devam ederler....
Üstelik şimdi siz düşündünüz ve sayıyı onlarcaya yuvarladınız, verilerin bir kısmını kaybederken düşünmek genel olarak zararlı, bir kısmı da devam ediyor...
Cevap için teşekkürler.
Ve ek özellikler ekleyerek en kararlı ilişkileri belirlemek için doğrusal regresyon nasıl uygulanır?
https://www.mql5.com/ru/articles/349
Soruyu anlamadım. ve bu arada lineer regresyon fin için çalışmaz. pazarlar.
Onlar. korelasyon yok mu? Ve görünüşe göre soru, aşağıda Maxim Dmitrievsky tarafından cevaplandı.
https://www.mql5.com/ru/articles/349
Cevap için teşekkürler.
Çapraz doğrulama, test örnekleri, OOS ve diğer oyunları sevenler için tekrar etmekten bıkmayacağım:
Özellikle SanSanych ve Vladimir Perervenko
Örnek dışı testler
Bu, en popüler ve aynı zamanda kötüye kullanılan doğrulama yöntemidir. Özetle, örneklem dışı testler, stratejinin geliştirilmesinden sonra test edilmesinde kullanılacak verilerin bir kısmının ayrılmasını ve gelecekteki performansın tarafsız bir tahmininin elde edilmesini gerektirir. Ancak örneklem dışı testler
daha küçük bir örnek nedeniyle testlerin gücünü azaltmak
strateji çoklu karşılaştırmalar yoluyla geliştirilirse sonuçlar taraflıdır
Başka bir deyişle, örneklem dışı testler yalnızca benzersiz hipotezler olması durumunda yararlıdır. Veri madenciliği yoluyla geliştirilen stratejiler için örnek dışı testlerin kullanılması, sürecin anlaşılmadığını gösterir. Bu durumda test, stratejileri reddetmek için kullanılabilir ancak hiçbirini kabul etmek için kullanılamaz. Bu anlamda, test hala faydalıdır, ancak ticaret stratejisi geliştiricileri, çoklu karşılaştırmalar yoluyla geliştirilen stratejiler için örnek dışı örneklerdeki iyi performansın çoğu durumda rastgele bir sonuç olduğunu bilir.
Çoklu karşılaştırma yanlılığının varlığı için örnek dışı önemi düzeltmek için birkaç yöntem önerilmiştir, ancak neredeyse tüm gerçek durumlarda sonuç anlamlı olmayan bir stratejidir. Ancak, Ref. 1, iki ana piyasa rejimine karşılık gelen iki örnekle, son derece önemli stratejiler, sapma düzeltmeleri uygulandıktan sonra bile değişen piyasalar nedeniyle başarısız olabilir. Bu nedenle, örnek dışı testler, yalnızca gelecekteki getirilerin geçmiş getirilerle aynı şekilde dağıtılması durumunda gelecekteki performansın tarafsız tahminleridir. Başka bir deyişle, durağan olmama, numune dışı testlerin sonuçlarını geçersiz kılabilir.
Sonuç: Örneklem dışı testler yalnızca benzersiz hipotezler için geçerlidir ve durağanlık varsayar. Bu durumda faydalıdırlar ancak bu şartlar sağlanmadığı takdirde oldukça yanıltıcı olabilirler .
FOS yalnızca hipotezleri iptal etmek için veya yalnızca açıkça durağan problemler için kullanılabilir.
Ancak strateji aramak ve özellikleri seçmek / sistemin kararlılığını değerlendirmek için değil