# читаем файл
dat <- read.csv(file = "D:\\R2\\forum\\models\\Balans_OHLCV.csv",sep = ";")
# установка библы с индикаторами в том числе зигзаг
install.packages("TTR")
# считаем зигзаг по баласну
my_ZZ <- TTR::ZigZag( dat$Balans ,change = 200,percent = F)
# зигзаг в бинарный вид
zz <- c(0,diff(my_ZZ)) ; zz[zz>=0] <- 1 ; zz[zz<0] <- 0
zz
# добавляем зз как колонку к данным
dat_and_zz <- cbind(dat, zz)
# пишем данные в новый файл csv
write.csv(dat_and_zz, file = "D:\\R2\\forum\\models\\Balans_OHLCV_ZZ.csv",sep = ";")
# установка библы с индикаторами в том числе зигзаг
install.packages("TTR")
# читаем файл
dat <- read.csv(file = "D:\\R2\\forum\\models\\Balans_OHLCV.csv",sep = ";")->.;
# считаем зигзаг по баласну
TTR::ZigZag(., change = 200, percent = F)->.;
# зигзаг в бинарный вид
c(0, diff(.)) ->.;
sign(.)->.;
# добавляем зз как колонку к данным
cbind(dat, zz = .) -> dat_and_zz
# пишем данные в новый файл csv
write.csv(dat_and_zz, file = "D:\\R2\\forum\\models\\Balans_OHLCV_ZZ.csv",sep = ";")
В предыдущей части статьи мы рассмотрели различные аспекты получения и подготовки входных данных и целевой переменной. Для воспроизведения скриптов этой статьи вам необходимо либо выполнить все скрипты первой части, либо загрузить результат вычислений первой части статьи из приложения в RStudio. 1. Разработка признаков Разработка признаков —...
Мы продолжаем строить ансамбли. Теперь к bagging-ансамблю, созданному ранее, добавим обучаемый объединитель — глубокую нейросеть. Одна нейросеть объединяет 7 лучших выходов ансамбля после обрезки. Вторая принимает на вход все 500 выходов ансамбля, обрезает и объединяет их. Нейросети будем строить с Глубокие нейросети (Часть VI). Ансамбль...
Мы продолжаем строить ансамбли. Теперь к bagging-ансамблю, созданному ранее, добавим обучаемый объединитель — глубокую нейросеть. Одна нейросеть объединяет 7 лучших выходов ансамбля после обрезки. Вторая принимает на вход все 500 выходов ансамбля, обрезает и объединяет их. Нейросети будем строить с Глубокие нейросети (Часть VI). Ансамбль...
谢谢你的尝试。
你用的是哪种ZZ？你能给我寄几张标有不同范围的ZZ吗？
我现在想把分裂的人分组，这样就会有更少的组合。
请...
200或300的绝对值。
告诉我你对哪些范围感兴趣。
或者学习一下R？）
5行代码，你就得到了你想要的东西。
这样做更好。减少中间的不必要的垃圾。
祝好运
这样做更好。减少中间的不必要的垃圾。
祝好运
谢谢你，弗拉基米尔，甚至不知道你可以这样做））！！我喜欢R，总是一个令人愉快的惊喜。
你什么时候能告诉我如何对数据进行采样，以及如何将其转移到新的数据中去？)
好吧，我以为我给了你一篇文章的链接。在这里， 它是。
使用了 "离散化 "包。
"离散 化 "是将连续变量转换成离散变量的过程，通过使用各种确定边界的方法将其数值划分为范围。
可以区分两组离散化方法：定量的，不参考目标，以及参考与目标匹配的范围。
第一组方法几乎完全由cut2():Hmisc 涵盖。可以将样本分为预先确定的几个区域，有特定的边界，以四分位数为单位，规定每个区域的最小实例数，分成等频的区域。
第二组方法更有趣，因为它将变量划分为与目标水平相关的图块。让我们考虑一下实现这些方法的几个包。
离散化： 这个软件包是一套带有教师的离散化算法。它也可以按照自上而下或自下而上的离散化算法的实施方式来分组。让我们以我们的数据集为例，看一下其中的一些情况。"
我们使用discretization::mdlp()，它使用最小描述长度原则描述离散化。该函数使用熵标准对数据矩阵的连续属性进行离散化处理，以最小描述长度作为停止规则。它可以完美地劈开，但需要很长的时间。我们使用base::findinterval()来离散化测试集。文章中有一些功能和例子。这并不是唯一的采样包。在其他文章中，我们使用：glmdisc、smbinning、cutpointr（用于二进制目标）、woeBinning和其他。这些是CRAN中的软件包。有一个不错的MOB 包--从Github上安装。我已经检查过这些，它们都是有效的。这取决于你想对什么样的数据进行抽样调查（woe、bin、raw...）。
试试吧。
祝好运
取决于你希望采样结果以何种形式出现（woe、bin、raw...）。
如你所愿))))但这并不意味着它是正确的）Gruuuus...........
好吧，我以为我给了你一篇文章的链接。在这里， 它是。
使用了 "离散化 "软件包。
不，你没有 :)
我翻阅了不同的软件包和文章，但我没有发现在离散化时如何处理新的数据，也许我没有看清楚，总之谢谢你的说明。
好吧，我以为我给了你一篇文章的链接。在这里， 它是。
有很多文章，研究很有趣，但有没有关于实际结果的三昧呢？
我的意思是，它在现实市场中的效果如何？
有很多文章，研究很有趣，但有没有关于实际结果的三昧呢？
我的意思是，这一切在真实的市场中是如何运作的？
它确实如此。相信你的话吗？
所有的代码都被布置好了。来吧，试试吧。
最重要的事情不是模型，尽管它们很重要。重要的是预测器和它们的准备（预处理）。数据准备得越好，模型就越容易被使用。
祝好运
它是有效的。你会相信我的话吗？
所有的代码都被布置好了。建立它，尝试它。
最重要的事情不是模型，尽管它们很重要。重要的是预测器和它们的准备（预处理）。数据准备得越好，模型就越容易被使用。
祝好运
但在我花一个星期的时间之前，你能不能给我一个文章的链接，这篇文章的开头是这样一句话："上面描述的方法在真实的市场中能得到这样的结果......。"，然后是几张图表或一张表格。
我当然会相信，我会仔细阅读一切，分析代码，特别是现在没有什么可做的，有的是时间。
但在我花一个星期的时间之前，你能不能给我一个文章的链接，这篇文章的开头是这样一句话："上述方法在真实的市场上能得到这样的结果......。"，然后是几张图表或一张表格。
几乎每一篇文章的结尾都有一个关于新数据的测试
就在这里