Enterpolasyon, yaklaşıklık ve diğerleri (paket alglib) - sayfa 15
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Her şey, iyi açıklanmış normal bir çocuk buldum, hemen her şeyi hatırladım
Harika!!
Yani şimdilik 2 boyutlu uzaya dönüşüm ve haritalama ile ilgili sorununuz çözüldü mü?
Rusça anlamadığımı sanıyordum ama formülü biraz anladım. Bu sadece bir kosinüs oyunu ve 2 vektörün büyüklüklerinin çarpımı ve bölümü :))
MQL5'teki kodu dönüştürdünüz mü?
Destek vektör makinesi
Çekirdekler [ düzenle | kodu düzenle ]
1963'te Vladimir Vapnik ve Alexei Chervonenkis tarafından önerilen optimal bir ayırıcı hiperdüzlem oluşturmak için algoritma doğrusal bir sınıflandırma algoritmasıdır. Bununla birlikte, 1992'de Bernhard Boser, Isabelle Guyon ve Vapnik, skaler ürünlerden keyfi çekirdeklere geçişe dayalı doğrusal olmayan bir sınıflandırıcı oluşturmak için bir yöntem önerdiler, sözde çekirdek hilesi (ilk kez M. A. Aizerman , E. M. Braverman ve L. V. Rozonoer, potansiyel fonksiyonlar yöntemi için), bu da doğrusal olmayan ayırıcılar oluşturmaya izin verir. Ortaya çıkan algoritma, doğrusal sınıflandırma algoritmasına çok benzer, tek fark, yukarıdaki formüllerdeki her bir skaler ürünün, doğrusal olmayan bir çekirdek işlevi (yüksek boyutlu uzayda skaler ürün) ile değiştirilmesidir. Bu uzayda optimal bir ayırıcı hiperdüzlem zaten mevcut olabilir.
Görünüşe göre Maxim Dmitrievsky, Vapnik'in takip ettiği hedeflere çok yakın hedefler belirliyor. Yaklaşım fonksiyonlarının seçimi (ve seçimi) için temelleri araması gereken kişi Vapnik'tir.
İngilizce yazışmaları okuyun. Zorluklarla. TS #1 sorularını okuduktan hemen sonra fikirleri akla gelen Vapnik'in öncelikle canlı olduğu ve ikinci olarak makine öğrenmesi ile ilgili ampirik (ortalama) riski en aza indirme fikrini geliştirdiği ortaya çıktı. sinir ağları, doğrusal olmayan versiyonu bu yazışmada tartışılan destek vektör makinesine. WIKI:
Destek vektör makinesi
Çekirdekler [ düzenle | kodu düzenle ]
1963 yılında Vladimir Vapnik ve Aleksey Chervonenkis tarafından önerilen optimal ayırma hiperdüzleminin oluşturulması için algoritma doğrusal bir sınıflandırma algoritmasıdır. Bununla birlikte, 1992'de Bernhard Boser, Isabelle Guyon ve Vapnik, skaler ürünlerden keyfi çekirdeklere geçişe dayalı doğrusal olmayan bir sınıflandırıcı oluşturmak için bir yöntem önerdiler, sözde çekirdek hilesi (ilk kez M. A. Aizerman , E. M. Braverman ve L. V. Rozonoer, potansiyel fonksiyonlar yöntemi için), bu da doğrusal olmayan ayırıcılar oluşturmaya izin verir. Ortaya çıkan algoritma, doğrusal sınıflandırma algoritmasına çok benzer, tek fark, yukarıdaki formüllerdeki her bir skaler ürünün, doğrusal olmayan bir çekirdek işlevi (yüksek boyutlu uzayda skaler ürün) ile değiştirilmesidir. Bu uzayda optimal bir ayırıcı hiperdüzlem zaten mevcut olabilir.
Görünüşe göre Maxim Dmitrievsky, Vapnik'in takip ettiği hedeflere çok yakın hedefler belirliyor. Yaklaşım fonksiyonlarının seçimi (ve seçimi) için temelleri araması gereken kişi Vapnik'tir.
Evet teşekkür ederim. İngilizce bir Rus bilim adamı ile Yandex konferansı, rezalet
Evet teşekkür ederim. İngilizce bir Rus bilim adamı ile Yandex konferansı, rezalet
1990 yılında 54 yaşındayken ABD'ye yerleşti. İngilizce kelimeleri Rusça seslerle telaffuz etmesi şaşırtıcı değil. Utanılacak bir şey görmüyorum. Ana dili İngilizce olmayan çoğu kişi gibi çok net konuşuyor. Yunan Demis Roussos'un telaffuzunu hatırlayın, şaşırtıcı derecede net ve şarkılar için ayrı.
Yandex Rus ofisi aslında. Bilim adamlarını ve onlardan ders almak isteyenleri Rusça katletmeleri bir rezalet.
hatta tamamı İngilizce olan kendi makine öğrenimi algoritmalarının bir açıklaması bile var.Merhaba Maxim,
Yani daha önce takıldığınız kodla daha da ilerlediniz mi?
P = cvxopt.matrix (np.outer (y, y) * K) q = cvxopt.matrix (np.ones (n_samples) * - 1 ) A = cvxopt.matrix (y, ( 1 , n_samples)) b = cvxopt.matrix ( 0.0 )Merhaba Maxim,
Yani daha önce takıldığınız kodla daha da ilerlediniz mi?
Çekirdekleri bu şekilde kullanamayız, çünkü bu algoritma yalnızca iç ürünlerle çalışır ve özellikleri vektörlere nasıl eşleyeceğimi bilmiyorum.
Çekirdekleri bu şekilde kullanamayız, çünkü bu algoritma yalnızca iç ürünlerle çalışır ve özellikleri vektörlere nasıl eşleyeceğimi bilmiyorum.
İşte tam olarak çekirdek fonksiyonunun ana fonksiyonu budur.
Ancak çekirdek işlevini kullanarak özellikleri içeri ve dışarı eşleyemeyiz. Bu çekirdek işlevinin işi değildir. Çekirdek işlevi, fiyat noktalarını daha yüksek boyutlara eşleyerek sınıflandırma sürecini daha hızlı ve daha kolay hale getirir.
En önemlisi, örneğin bir mum yakın fiyatı için bir özelliği haritalayacak olsanız bile 3 boyutlu bir alana. 3D'de mum kapanış değeri değişmeyecektir. 2D'ye geri eşleseniz bile çok normal.
İşte o zaman spline fiyat enterpolasyonu için resme gelir ve sanırım spline'ı zaten biliyorsunuzdur. Yani verileri spline olarak besliyoruz ve çekirdekler tarafından yapılan sınıflandırmayı alıyoruz.
Şimdi, özelliklerin haritasını çıkarmak istiyorsanız, lütfen fiyat açısından tam olarak neyi haritalamaya çalıştığınızı belirtin. Yani mum kapanışını, mum açılış fiyatlarını vb. eşleştirmeye mi çalışıyorsunuz?
Merhaba Maxim,
Seni tekrar rahatsız ettiğim için özür dilerim. Hâlâ RDF projeniz üzerinde çalışıp çalışmadığınızı sizinle hızlıca kontrol etmeyi düşündüm.
Mevcut RDF algonuzu iyileştirmeye çalışıyorum ve ayrıca python takviye algosunu MQL ile entegre etmeye çalışıyorum. Bu nedenle, bununla ilgilenen diğer programcılarla işbirliği yapmayı düşündüm.
Hala üzerinde çalışıyorsanız ve şu ana kadar ne kadar ilerlediysen beni güncelleyebilirsin.
MQL5'in kaynak koduyla birlikte sizinle paylaşabileceğim RDF ile uygulayabileceğim birkaç ilginç fikrim var ve Mt5 ile python arasındaki köprüyü henüz öğrenemedim.
teşekkür ederim...
Merhaba Maxim,
Seni tekrar rahatsız ettiğim için özür dilerim. Hâlâ RDF projeniz üzerinde çalışıp çalışmadığınızı sizinle hızlıca kontrol etmeyi düşündüm.
Mevcut RDF algonuzu iyileştirmeye çalışıyorum ve ayrıca python takviye algosunu MQL ile entegre etmeye çalışıyorum. Bu nedenle, bununla ilgilenen diğer programcılarla işbirliği yapmayı düşündüm.
Hala üzerinde çalışıyorsanız ve şu ana kadar ne kadar ilerlediysen beni güncelleyebilirsin.
MQL5'in kaynak koduyla birlikte sizinle paylaşabileceğim RDF ile uygulayabileceğim birkaç ilginç fikrim var ve Mt5 ile python arasındaki köprüyü henüz öğrenemedim.
teşekkür ederim...
Merhaba, evet, burada kısmen tartışılan çeşitli fikirleri deniyorum https://www.mql5.com/en/forum/86386/page1056