поскольку он сам не смог нормально формализовать и привести примеры его способ отбора признаков основан на корреляции. чтобы определиться сколько классов формально выделить как их назвать уже дело субъективного вкуса. на основании которых относить sample ы к тому или иному классу
因此，请先检查一下。
检查什么？
这一点都不好笑了。
我总结一下桑尼奇的理论（因为他自己也没有把理论正规化并举例说明）：
这完全是错误的。
1.我在上面写了我对 "预测能力 "的理解
2.意思不明确
3. 没有通常意义上的 traine。随机森林拟合。样本量=1500 条，树数=150。样本量是从拟合误差图中提取的。在这 170 个预测因子样本中，根据不同的标准对 预测因子进行筛选和预处理 。最终，在剩余的 20-30 个预测因子中，根据最大预测能力选出 5 到 10 个预测因子，并对模型进行拟合。利用所获得的模型预测下一个条形图。随着新柱状图的出现，模型建立的整个过程将重复进行。
最大拟合误差约为 20%，但这种情况很少见。通常约为 10%。
4.我在前面介绍了我的方法。
再来一次
但目标不是人字形，对吧？
完全错误
1.上面写的是他对 "预测能力 "的理解
2.含义不明确
3. 没有通常意义上的托盘。随机森林拟合。样本量 = 1500 条，树数 = 150。样本量是从拟合误差图中提取的。在这 170 个预测因子样本中，根据不同的标准对 预测因子进行筛选和预处理 。最终，在剩余的 20-30 个预测因子中，根据最大预测能力选出 5 到 10 个预测因子，并对模型进行拟合。利用所获得的模型预测下一个条形图。随着新柱状图的出现，整个模型建立过程将重复进行。
最大拟合误差约为 20%，但这种情况很少见。通常约为 10%。
4.我之前描述了我的方法。
通过预测能力统计，可以确信未来的结果也会如此：
1. 应具有足够高的 sd 值
2. 低 sd 值。
与往常一样，如果能找到 sd 值小于 10%的预测因子，那么预测误差的变化也会大致相同。
我的结论
1.我们应该采用（或开发）其中一种 "预测能力 "算法； 2.
2.找到预测能力值相差 1 倍的预测因子列表 3.
3.3. 运行一个窗口并获得统计数据：平均值和平均值偏差。如果幸运的话，你会找到这样一个列表。我找到了。
模型并不重要。在我的预测模型中，RF、ada、GBM、GLM 得出的结果差不多。SVM 稍差一些。nnet 则完全不行。
所有的成功都在于预测器及其预处理。你在这里胡说八道！
这样更有意义。聚类结果中的目标从何而来？
我有正常增量的标志。
目标是次要的。目标的问题在于预测因子：你可以将预测因子与特定目标匹配，也可以不匹配。
我有一个正常增量的标志。
目标是次要的。目标的问题在于预测器：你可以将预测器与特定目标相匹配，也可以不与之相匹配。
预测能力是信息相关性，而不是：
1.相关性是一个静态序列与另一个静态序列的 "相似性"，总是存在某种值，不存在 "无关系 "值。相关性总是有某种值的，所以你可以很容易地利用相关性来发现教师和咖啡渣之间的关系。
2.Fiche selectin 是指在建立模型时使用 Fiche 的频率。如果我们选取与教师无关的预测因子，我们仍然可以得到 fiches 的排名。
与我对 "预测能力 "的理解类似的例子还有 caret::classDist()，它定义了每一类重心的马哈拉诺比斯 采样距离 。或者是 woeBinning。R 中有很多方法和软件包。还有更多基于信息论的方法。
我有一个正常增量的标志。
目标是次要的。目标的问题在于预测器：您可以将预测器与特定目标匹配，也可以不匹配。
增量的符号和 ZZ 的符号并不能保证盈利。5 个小增量很容易与一个强增量重叠，但方向相反。例如，10 个晚上盈利的条形图也会被 1 个白天亏损的条形图覆盖（误差仅为 10%）。
新数据会得到怎样的平衡线？我希望它不是水平的，上下波动很小？
在弗拉基米尔的文章中，误差也在 10-20%左右，但平衡线并不令人乐观。
我还是不明白。这不是相关性或使用频率的问题。在训练中，presc.sp.是如何估算出来的，或者是用什么估算出来的？
同样的向量代数，同样的特征映射，可以消除多重共线性问题。
- 即对基本相同的 "成分 "进行空间选择/投影 ....在多共线性特征空间中的位置为矢量（！）代数的应用提供了一个领域，为了避免以手工的方式来消除多共线性，最好是将其考虑在内（例如，通过将其还原为 3d 空间或任何你想要的空间，并使用投影进行操作，如果有必要，初始数据可以乘以这些估计值，就像因子载荷一样，尽管通常库本身会测量这种Mahalanobis 距离 并给出结果）。
总之，最终结果都是近似均值和 st.dev，并以此为基础做出交易决策。
- 自然界中没有其他建模方法，只有在（不同）n 维空间中解决常见问题（异方差、多共线性、残差自相关）的方法......
统计学是无法摆脱的......特质相关性问题的解决方案在这里以明确的形式出现......
p.s...
更新： 这个工具（MD）仍然用于聚类/分组/多维分类...在多维空间中选择离群值...有时与欧氏距离一起使用...... "当变量不相关时 -- 马哈罗诺比距离与通常的欧氏 距离相吻合"....在LDA 中...一般来说，tz 就是我 之前描述的那个....
我在这篇文章中无意将 PCA 等同于聚类，只是在我的记忆中，PCA 和 MD 都提供了在多维空间中去除异常值的可能性...但我更新的实质并没有改变：这些都是通过向量代数来解决空间问题，并考虑到了多重共线性问题（这样就不会扭曲/偏移统计估计值）。