交易中的机器学习：理论、模型、实践和算法交易 - 页 3082

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
你的职业也是治疗师吗？不 我是全职治疗师

是啊，我在找客户，你想签约吗？

事实上，你不接受批评。你看到过类似于你的做法--过滤掉样本中不舒服的部分，这在你看来使你的方法具有科学性，现在你在为它辩护。你捍卫它的方法之一就是攻击它--贬低和侮辱你的对手。我承认，在这个问题上你有了进步--你变得更加克制了--在这一点上我甚至可以称赞你。

同时，我提出的关于联合活动的建议，即旨在丰富所研究主题知识的建设性建议，你却说它转移了主题。

这个话题的主题是什么--展示参与者个人的思想之美和独特性？换句话说，在你看来，这是胡言乱语，而不是寻求真理？

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
我很清楚我在写什么，否则我不会写。你没有。别楞着了，你真烦人。 .

研究材料，然后我们再讨论。如果你做不到，我也不会生气。嚼碎了放进嘴里是别人的事。

马克西姆，我把之前拿到的译文扔了。坦率地说，我从中得出了与桑桑尼奇-福缅科 相似的结论。我承认这是一个失真的译本，因为其中很多东西听起来很奇怪，然后它们被抽样处理，然后符合指标 ....。

这就是为什么我建议您用自己的话，至少是用这些话来解释那些没有人理解的东西。也许之后我会对书面信息有不同的理解。

下面是译文摘录，都清楚了吗？

[Lilita Bogachkova]

СанСаныч Фоменко #:

文章里没有。

文章介绍了对原始预测因子进行不同划分的常规拟合方法，包括交叉验证。用文字伪装的套路。

我有一个问题想请教机器学习行家。如果我用一个字符的数据进行训练，用另一个字符的数据进行验证，再用第三个字符的数据进行测试，这种做法好吗？

另外，我从测试数据中得到了以下结果：绿色单元格非常好，黄色单元格好，红色单元格一般。

还有一个关于修改数据来训练模型的问题。我注意到模型很难找到极值，在我的例子中，极值高于 60，低于 40。
因此，我在训练数据中找到了高于 60 和低于 40 的值，并在输入模型之前将其重新添加到训练数据中，所以问题是：能否通过增加包含极值信息的训练数据来提高模型的准确性？

inputs_unique, indices = np.unique(inputs, axis=0, return_index=True)
outputs_unique = outputs[indices]

#  Find indices where outputs_unique values are greater than 60
indices_greater_than_60 = np.where(outputs_unique > 0.6)

#  Get the corresponding inputs_unique and outputs_unique values
filtered_inputs_greater = inputs_unique[indices_greater_than_60]
filtered_outputs_greater = outputs_unique[indices_greater_than_60]

#  Add filtered_inputs values to inputs_unique
inputs_unique = np.concatenate((inputs_unique, filtered_inputs_greater), axis=0)
#  Add filtered_outputs values to outputs_unique
outputs_unique = np.concatenate((outputs_unique, filtered_outputs_greater), axis=0)

#  Find indices where outputs_unique values are smaller than 40
indices_smaller_than_40 = np.where(outputs_unique < 0.4)

#  Get the corresponding inputs_unique and outputs_unique values
filtered_inputs_smaller = inputs_unique[indices_smaller_than_40]
filtered_outputs_smaller = outputs_unique[indices_smaller_than_40]

#  Add filtered_inputs values to inputs_unique
inputs_unique = np.concatenate((inputs_unique, filtered_inputs_smaller), axis=0)
#  Add filtered_outputs values to outputs_unique
outputs_unique = np.concatenate((outputs_unique, filtered_outputs_smaller), axis=0)

[mytarmailS]

关于 ML , DM 的好书

https://mhahsler.github.io/Introduction_to_Data_Mining_R_Examples/book/introduction.html

[Maxim Dmitrievsky]

[mytarmailS]

Lilita Bogachkova #:

我有一个问题想请教机器学习专家。如果我用一个角色的数据进行训练，用另一个角色的数据进行验证，再用第三个角色的数据进行测试，这种做法好吗？

简要地说，不是。

你训练模型识别西瓜，在苹果上进行测试，在...

[Rorschach]

Lilita Bogachkova #:

我有一个问题想请教机器学习专家。如果我用一个角色的数据进行训练，用另一个角色的数据进行验证，再用第三个角色的数据进行测试，这种做法好吗？

请尝试使用添加了噪声的相同符号。

[mytarmailS]

Rorschach #:

尝试使用相同的字符，并增加噪音。

我认为，如果不是刻度，最好将时间移动、

噪声会扭曲数据，而且噪声有参数，不知道该选择哪些参数，总之，为什么不像我最近做的那样用噪声做引号呢？

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

要将干扰参数转化为函数，可以使用 RF 或任何基本算法的输出值，如文章所述。对于完全不知情的人：用函数值替换所选参数的值。然后，线性回归（或任何其他算法）将成为评估三元效应的元分析器。这一切的原因和原理--学习数学。

要理解这一点，只要开始用脑子思考就足够了。但桑尼奇又会开始胡说八道，因为他只想不假思索地说些什么。桑尼奇，你的理解力太差了，竟然引用射频参数作为某种证明，这绝对令人难以置信。我给你写了 3 次信--忘掉射频吧。最后再说一次：先研究课题，然后再咆哮。否则，那些不学无术的人也会盲目地相信你。

不要以万事通的姿态回复我的帖子（这很讨厌），因为你什么都不知道，这看起来就像一个普特斯尼克人的呓语。

所有资料来源的参考文献都在文章中给出了。难道你们需要像瞎眼的小猫一样一个字一个字地被戳吗？还是你们毕竟是成年人？

是你引用了别的....

我们把模型训练好后，把自发的预测值换成模型预测的值，然后再次训练模型。我们通过回归模型/数据的 RMSE 来比较结果。如果结果有所改善，那么是被替换的预测因子在训练期间改变了属性，还是什么？

[Aleksey Vyazmikin]

Lilita Bogachkova #:

我有一个问题想请教机器学习专家。如果我用一个角色的数据进行训练，用另一个角色的数据进行验证，再用第三个角色的数据进行测试，这种做法好吗？

另外，我从测试数据中得到了以下结果：绿色单元格非常好，黄色单元格好，红色单元格一般。

我不是专家，但我想和大家分享一下我的想法。

很少有人能让一个模型在不同的字符上成功运行。因此，如果情况确实如此，这可以说是一项很好的成就。我假定模型看到的模式在概率上是同样实现的。

Lilita Bogachkova#：

还有一个关于修改数据来训练模型的问题。我注意到模型很难找到极值，在我的例子中，极值高于 60，低于 40。
因此，我在训练数据中找到了高于 60 和低于 40 的值，并在输入模型之前将其重新添加到训练数据中，所以问题是：是否有可能通过增加包含极值信息的训练数据来提高模型的准确性？

如果您添加了更多的样本--模型可能会发现其中的统一模式，如果它存在于所使用的预测因子棱镜中的话。