Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 91
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
BP'yi seçebilen, tahmin edilebilen ve doğru anladıysam yapamayan bir paket
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
Ve isteyen herkes. z1 arşivi, tren ve test olmak üzere iki dosya içerir. Hedef için trende bir model oluşturun, teste uygulayın, sonuçları % olarak düzenleyin (başarılı bir şekilde tahmin edildi)
durumlar) her iki numune için de (tren = %xx, test = %xx). Yöntemleri ve modelleri seslendirmeye gerek yok, sadece sayılar. Herhangi bir veri manipülasyonuna izin verilir
ve çıkarma yöntemleri.
1. Tüm tahmin edicileriniz tahmine dayalı değildir - istisnasız hepsi gürültüdür
2. Üç model oluşturulmuştur: rf, ada, SVM. Sonuçlar burada
rf
aramak:
randomForest(formül = TFC_Target ~.,
veri = crs$veri kümesi[crs$örnek, c(crs$giriş, crs$hedef)],
ntree = 500, mtry = 3, önem = DOĞRU, değiştir = YANLIŞ, na.action = randomForest::na.roughfix)
Rastgele orman türü: sınıflandırma
Ağaç sayısı: 500
hayır. her bölmede denenen değişken sayısı: 3
OOB hata oranı tahmini: %49.71
Karışıklık matrisi:
[0, 0] (0, 1] sınıf hatası
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
ada
aramak:
ada(TFC_Target ~ ., veri = crs$dataset[crs$tren, c(crs$input,
crs$target)], kontrol = rpart::rpart.control(maxdepth = 30,
cp = 0.01, minsplit = 20, xval = 10), iter = 50)
Kayıp: üstel Yöntem: ayrık Yineleme: 50
Veriler için Nihai Karışıklık Matrisi:
son tahmin
gerçek değer (0,1] [0,0]
(0.1] 303 37
[0.0] 29,331
Tren Hatası: 0.094
Çanta Dışı Hatası: 0.157 yineleme= 50
DVM
SVM modelinin özeti (ksvm kullanılarak oluşturulmuştur):
"ksvm" sınıfının Vektör Makinesi nesnesini destekleyin
SV tipi: C-svc (sınıflandırma)
parametre : maliyet C = 1
Gauss Radyal Tabanlı çekirdek işlevi.
Hiperparametre : sigma = 0.12775132444179
Destek Vektör Sayısı : 662
Amaç Fonksiyon Değeri : -584.3646
Eğitim hatası: 0.358571
Olasılık modeli dahildir.
Geçen süre: 0.17 sn
Bir test setinde (senin değil, çıngırak anlamında)
Ada Boost modeli için test.csv [validate] (sayılar) için hata matrisi:
tahmin edilen
Gerçek(0.1] [0.0]
[0.0] 33 40
(0.1] 35 42
Test.csv [validate] üzerindeki Ada Boost modeli için hata matrisi (oranlar):
tahmin edilen
Gerçek(0.1] [0.0] Hata
[0.0] 0,22 0,27 0,55
(0,1] 0,23 0,28 0,45
Genel hata: %50, Ortalama sınıf hatası: %50
Çıngırak zaman damgası: 2016-08-08 15:48:15 kullanıcı
================================================= ====================
test.csv [validate] üzerindeki Rastgele Orman modeli için hata matrisi (sayılar):
tahmin edilen
Gerçek[0,0](0,1]
[0.0] 44 29
(0.1] 44 33
test.csv [validate] üzerindeki Rastgele Orman modeli için hata matrisi (oranlar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 0.29 0.19 0.40
(0,1] 0,29 0,22 0,57
Genel hata: %49, Ortalama sınıf hatası: %48
Çıngırak zaman damgası: 2016-08-08 15:48:15 kullanıcı
================================================= ====================
test.csv [validate] üzerindeki SVM modeli için hata matrisi (sayılar):
tahmin edilen
Gerçek[0,0](0,1]
[0.0] 41 32
(0.1] 45 32
test.csv [validate] üzerindeki SVM modeli için hata matrisi (oranlar):
tahmin edilen
Gerçek[0,0](0,1] Hata
[0.0] 0.27 0.21 0.44
(0,1] 0,30 0,21 0,58
Genel hata: %51, Ortalama sınıf hatası: %51
Çıngırak zaman damgası: 2016-08-08 15:48:15 kullanıcı
Rastgele ormanlar için ROC analizi
Yukarıdakileri onaylar.
Çözüm.
Tahminleriniz umutsuz.
BP'yi seçebilen, tahmin edilebilen ve doğru anladıysam yapamayan bir paket
Açıklamaya bakılırsa okudum, bu çok iyi bir paket (ForeCA, R deposunda bile var, github'dan bir şey indirmenize gerek yok). Ana özellik, verilerin "öngörülebilirliğini" derecelendirmektir.
Ve buna ek olarak, ki bu da önemlidir - verilerin boyutsallığını azaltmak için kullanılabilir. Yani, mevcut tahmin edicilerden, bu paket şaşırtıcı derecede iyi tahmin edilebilirlik ile iki yeni tane yapacak. Aynı zamanda, çöpleri vb. Temel bileşenler yöntemine biraz benzer, yalnızca bileşenler yerine kendine ait bir şey verecektir.
Çok basitse - bu pakete bir dizi tahmin edici içeren bir tablo veriyoruz (fiyatlar, göstergeler, deltalar, her türlü çöp vb.). ForeCA, orijinal tablonun yerine yeni bir tablo yayınlayacaktır. Bu yeni tabloyu, tahmine dayalı modeli (gbm, rf, nnet, vb.) eğitmek için kullanıyoruz.
Biraz daha karmaşıksa, bu, nükleer veri dönüşümü için başka bir paket , değişim için bir önyargı ile.
Her şey kulağa harika geliyor, düpedüz kâse, hatta çok fazla, yine de kontrol etmeniz gerekiyor.
BP'yi seçebilen, tahmin edilebilen ve doğru anladıysam yapamayan bir paket
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
Son derece meraklı.
Paket kurulu, belgeler mevcut.
Belki biri deneyip sonucu yazar?
Açıklamaya bakılırsa okudum, bu çok iyi bir paket (ForeCA, R deposunda bile var, github'dan bir şey indirmenize gerek yok). Ana özellik, verilerin "öngörülebilirliğini" derecelendirmektir.
Ve buna ek olarak, ki bu da önemlidir - verilerin boyutsallığını azaltmak için kullanılabilir. Yani, mevcut tahmin edicilerden, bu paket şaşırtıcı derecede iyi tahmin edilebilirlik ile iki yeni tane yapacak. Aynı zamanda, çöpleri vb. Temel bileşenler yöntemine biraz benzer, yalnızca bileşenler yerine kendine ait bir şey verecektir.
Çok basitse - bu pakete bir dizi tahmin edici içeren bir tablo veriyoruz (fiyatlar, göstergeler, deltalar, her türlü çöp vb.). ForeCA, orijinal tablonun yerine yeni bir tablo yayınlayacaktır. Bu yeni tabloyu tahmine dayalı modeli (gbm, rf, nnet, vb.) eğitmek için kullanıyoruz.
Biraz daha karmaşıksa, bu, değişim için bir önyargı ile nükleer veri dönüşümü için başka bir pakettir.
Her şey kulağa harika geliyor, düpedüz kâse, hatta çok fazla, yine de kontrol etmeniz gerekiyor.
Ön seçim gerektirmez mi?
Çocuklar, alın!
Çözüm.
Tahminleriniz umutsuz.
"her iki örnek için sonuçları % (başarıyla tahmin edilen durumlar) olarak düzenleyin (tren = %xx, test = %xx). Yöntem ve modellerin dile getirilmesine gerek yok, sadece rakamlara gerek yok"
Daha fazla sonuç bekliyoruz. Mihail Marchukajtes'in ne gibi sonuçlar çıkarabileceğini merak ediyorum.
Tamam))) ama şartları dikkatlice okuyun -
"her iki örnek için sonuçları % (başarıyla tahmin edilen durumlar) olarak düzenleyin (tren = %xx, test = %xx). Yöntemlerin ve modellerin dile getirilmesine gerek yok, sadece sayılar"
Daha fazla sonuç bekliyoruz. Mihail Marchukajtes'in ne gibi sonuçlar çıkarabileceğini merak ediyorum.
teste gerek yok!
Model eğitilemez! Boş alanı test edemezsiniz.
Okudum, açıklamaya bakılırsa, bu çok iyi bir paket (ForeCA, ..............