Применение машинного обучения может включать работу с данными, тонкую настройку уже обученного алгоритма и т. д. Но масштабная математическая подготовка нужна и на более раннем этапе: когда вы только выбираете модель для дальнейшего использования. Можно выбирать...
在价格上指导科霍宁
O,H,L,C,
o[-1], h[-1], l[-1], c[-1]
整个计算是相对于当前的开放进行的，就像在列名中一样。
H/O L/O C/O O1/O H1/O L1/O C1/O
1 1.004326 0.9986890 1.0011799 0.0000000 0.000000 0.0000000 0.0000000
2 1.000000 0.9962027 0.9968574 0.9988215 1.003143 0.9975121 1.0000000
3 1.005518 0.9989490 1.0045980 1.0032843 1.003284 0.9994745 1.0001314
4 1.000392 0.9966000 0.9975154 0.9954230 1.000915 0.9943769 1.0000000
5 1.006949 1.0000000 1.0038023 1.0026223 1.003016 0.9992133 1.0001311
6 1.005877 0.9993470 1.0045710 0.9960820 1.003004 0.9960820 0.9998694
这就是我给出的链接中的做法。
kohonen将数据分为100个群组，这是相当多的，在那些网站上，他们将数据分为5-6个群组，蜡烛图的准确度应该高得多......
但事实上，承认的质量很糟糕，你甚至不能称之为承认。
=====================================
我用近邻法（kmeans）进行聚类时运气好些，但结果仍不令人满意。
然后决定将该集群可视化
理想情况下，它应该是这样的
但如果有50个群组，就会变成这样
===========================================
总结
所以在你谈论噪声之前，你应该首先转换数据，这样MO才能理解数据，也许这就是为什么MO在随机上训练得更好，因为随机并不完全是随机的，当它被生成时，它受到一些关于方差、分散性等的硬性限制，所以它更具有静止性，我说得对吗vizard？
好吧，这些人只是通过简单的例子发现，进入更少的集群更容易）））））。
=============================================
是的，这就是为什么我建议看樵夫建树的原因......
如果这个东西有一百个簇，有时会混淆蜡烛的颜色，更不用说任何烛台组合了，那么减少簇的意义何在？
我不记得关于木材的任何事情。
不过我不明白。
目标是如何制成的？
这个公式是怎么来的？
我也不知道。这就是为什么他是一个魔术师 :)
关键是他告诉我用哪些蜡烛图特征来识别模式，其余的都是细微的领悟。
我不能创建公式，但例如我想做的是--对这些预测因素（烛台特征）进行聚类，按每个单独的聚类估计交易的盈利能力，根据每个聚类后的平均价格走势，将其分为买入/卖出/退出三组。然后像森林这样的东西可以得到逻辑规则，而不是聚类，但其实并不需要，任何新的数据都可以根据模型由以前得到的规则进行聚类，并由聚类的数量来做决定。
我想对这些预测因素（烛台特征）进行聚类，通过每个单独的聚类来估计交易的盈利能力，根据每个聚类后的平均价格走势，将其分为买入/卖出/退出三组。然后像森林这样的东西可以得到逻辑规则，而不是聚类，但其实并不需要，任何新的数据都可以根据模型由以前得到的规则进行聚类，并由聚类的数量来做决定。
好吧，我做了非常类似的事情，我不知道你要映射到哪种目标的集群上
我一直在服用传播...我把它分解成100到200个群组。
在报价单上发现了2-10+-个有趣的群组，这些群组赚到了一些钱，在OOS上则全部暴跌。
在随机的情况下，我发现了2-7+-个有趣的集群，在OOS上 （在真实的报价上） 大约有30-60%的集群获得了，有些非常稳定。
但这里首先是适当的数据预处理的问题，当我直观地分析那些集群中的内容时，然后我就不高兴了，例如，如果我们有一个两根蜡烛的集群，它很可能在一个集群中是两根白蜡烛和两根黑蜡烛，那是两个截然相反的情况在一个集群中，你知道这是多么糟糕，所以你需要一个好的预处理数据，这样我就不会那么辛苦地拖延，因为从这种集群的好坏不等于抛出一个硬币
看一下这篇文章，我认为它将是有用的。
祝好运
所有这些烛光练习中都有一股挥之不去的萨满教气息。根本就没有规律性的思考!只是高深莫测的机器学习算法和典型的技术分析废话的一个惊人的组合。
由于某些原因，根本没有努力使用其他货币对作为预测因素。毕竟，有很多相关的货币对。最简单的一个：对于一个货币对，也就是目标货币对，我们选择来自这个货币对的预测器。然后我们从其他货币对中提取相同的预测因子。
我们得到一堆预测因子，然后我们检查整堆得到的预测因子对目标变量的影响。这一步骤是强制性的。为什么要拿着扫帚在房间里追着垃圾跑？
然后是其他一切。
我注意到，在我的建议中，有一些 "将货币对相互联系起来 "的想法。
如果我们试图产生一些预测器的集合，就必须有一个想法。不能这样想：拿两根蜡烛，然后是它们的颜色，然后是两圈，最后是三圈。
所有这些烛光练习中都有一股挥之不去的萨满教气息。根本就没有规律性的思考!只是高深莫测的机器学习算法和典型的技术分析废话的一个惊人的组合。
由于某些原因，根本没有努力使用其他货币对作为预测因素。毕竟，有很多相关的货币对。最简单的一个：对于一个货币对，也就是目标货币对，我们选择来自这个货币对的预测器。然后我们从其他货币对中提取相同的预测因子。
我们得到一堆预测因子，然后我们检查整堆得到的预测因子对目标变量的影响。这一步骤是强制性的。为什么要拿着扫帚在房间里追着垃圾跑？
然后是其他一切。
我注意到，在我的建议中，有一些 "将货币对相互联系起来 "的想法。
如果我们试图产生一些预测器的集合，就必须有一个想法。不能这样想：拿两根蜡烛，然后是它们的颜色，然后是两圈，最后是三圈。
=======================================
你是在说文章中的材料还是在说一般情况？
当它看起来，你应该接受洗礼。现在ssa)))
"如网络中经常使用的激活函数。它们不仅可以用在网络的输出端，也可以用在输入端"=序言
的二十年前的一本书（这本书还不错，我很早就在翻阅）。神经计算及其在经济和商业中的应用。
p. 130.个人数据规范化。
http://www.neuroproject.ru/Papers/EzSh/Lecture_7.pdf
"一个重要的、行之有效的技术是使用 "单一结构分析 "或 "卡特彼勒 "方法的参数"。1996г.)))
http://www.gistatgroup.com/gus/ex1.html
你太年轻了，不能给我建议。
而S.A.在有能力的人手中是一个美妙的工具。
祝好运
所有这些烛光练习中都有一股挥之不去的萨满教气息。根本就没有规律性的思考!只是高深莫测的机器学习算法和典型的技术分析废话的惊人组合。
桑尼奇，去吧，去做吧！！！。
1）讲述想法的要点
2) 编写并发布代码
3）展示在OOS上的贸易图片
只是胡说八道......
你至少应该发一个真正的帖子，证实你的观点，你如此热情地鼓吹，你可以触摸它， 但你不会这样做， 对吗？我知道为什么......。
我不知道如何创建公式，但例如我想对这些预测因素（烛台特征）进行聚类，通过每个单独的聚类来估计交易的盈利能力，根据每个聚类后的平均价格走势，将其分为买入/卖出/退出三组。然后像森林这样的东西可能会获得逻辑规则，而不是聚类，但其实没有必要，你可以根据以前获得的规则按照模型对任何新数据进行聚类，并根据聚类的数量做出决定。