交易中的机器学习：理论、模型、实践和算法交易 - 页 580

[[删除]]

尤里-阿索连科。
谢谢你。我不知道是否有任何专著，存在于大自然中？

没有找到......只在布雷曼的森林上看到过--森林的创造者

[[删除]]

尤里-阿索连科。

...

我喜欢大而详细的东西）。

...和彻底。

Zykov A.A. 图论的基本原理。-莫斯科：Nauka。主编《物理与数学》，1987年。

对图论的系统介绍，根据其发展的内部逻辑进行结构化。

在网络上有一些下载的链接。

[[删除]]

为什么不是拖拉机装配手册？

[Grigoriy Chaunin]

用于连接Python和MT5的新版本库已经发布。回顾链接https://github.com/RandomKori/Py36MT5 但也有问题。在Visual Studio中，测试项目可以正常工作，但在MT中却有一些不明确的问题。现在该库在Python脚本所在的目录下工作正常。我不知道如何调试与MT的链接。MT被保护起来，不受调试器影响。也许有人知道如何进行调试？

[[删除]]

马克西姆-德米特里耶夫斯基。

为什么不是拖拉机装配手册？

这是你的玩笑想法吗？

我给你有用的信息，而作为回报......你就像一个青少年，粗鲁无礼，你认为你是这个行业中最好的机智......这很可悲。

你可能已经受够了一本书，就像这里的一些人物一样......

[[删除]]

Oleg avtomat:

这是你的玩笑想法吗？

伙计，我给你有用的信息，作为回报......你就像一个少年，粗鲁无礼，你认为你是这个行业中最好的机智......这很可悲。

你可能已经受够了一本书，就像这里的一些人物一样...

里面有什么有用的东西？ 如何建立一个图树？ 非常有用...

因为这需要阅读整本书？

[[删除]]

马克西姆-德米特里耶夫斯基。

里面有什么有用的东西？ 如何建立一个图树？ 非常有用...

这就是为什么你必须阅读整本书？

这就是为什么你在上面摆弄，因为你没有基本的知识，你也不想拥有这些知识。你缺乏知识和理解，但一本书和几篇文章是不够的。

[[删除]]

Oleg avtomat:

这就是为什么你在事情上面摆弄，因为你没有彻底的知识，你也不想。 你没有知识和理解。而对于这一点，一本书和你曾经读过的几篇文章是不够的。

如何生活，如何生活......恐慌-恐慌......去学习乘法表和知识的理论和本体论吧

[СанСаныч Фоменко]

尤里-阿索连科。
谢谢你。我不知道是否有任何专著，它们甚至在野外存在吗？

不要再胡闹了，拿一个R：代码必须附带一个描述代码理论的来源链接。

这里提到了布雷曼的经典算法。

Breiman, L.(2001), 随机森林, 机器学习45(1), 5-32.

Breiman, L (2002), 'Manual On Setting Up, Using, And Understanding Random Forests V3.1', http://oz.berkeley.edu/users/breiman/Using_random_forests_V3.1.pdf.

另外，如果使用R，那里已经收集了各种各样的森林，人们会看到，除了randomForest，还有其他森林，指定了原始id的各种各样的细微差别。

例如，randomForestSRC、randomUniformForest。

同一品种中最有趣和最有效的算法是ada。

以下是参考文献（这些都是来自R包的文档）。

Friedman, J. (1999).Greedy Function Approximation: A Gradient Boosting Machine.技术报告，斯坦福大学统计系。

Friedman, J., Hastie, T., and Tibshirani, R. (2000).加法逻辑回归：提升 的统计学视角。Annals of Statistics, 28(2), 337-374.

Friedman, J. (2002).随机梯度提升法。Coputational Statistics{& Data Analysis 38.Culp, M., Johnson, K., Michailidis, G.(2006).ada: an R Package for Stochastic Boosting Journalof Statistical Software, 16.

阿达有几种变化。

但R本身也会做出主题性的选择。

通过树木。

• 随机森林：用于回归和分类的随机森林算法的参考实现在软件包randomForest 中提供。包ipred 有用于回归、分类和生存分析的袋法，以及捆绑法，即通过集合学习将多个模型结合起来。此外，在软件包party 中实现了基于条件推理树的任意尺度测量的响应变量的随机森林变体。randomForestSRC 实现了对Breiman的随机森林的统一处理，用于生存、回归和分类问题。量子回归森林quantForest 允许通过随机森林方法对探索性变量的数字响应的量子进行回归。对于二进制数据，LogicForest 是一个逻辑回归树的森林（包LogicReg。varSelRF 和Borutapackages 侧重于通过随机森林算法的方式进行变量选择。此外，软件包ranger 和Rborist 为随机森林的快速C++实现提供R接口。强化学习树（Reinforcement Learning Trees），其特点是在树下会有重要的变量分割，在软件包RLT 中实现。wsrf 为变量子空间的选择实现了一种替代的变量加权方法，以代替传统的随机变量抽样。

由非常近的树上的亲属。

• 提升和梯度下降：各种形式的梯度提升在软件包gbm（基于树的函数梯度下降提升）中实现。包xgboost 实现了基于树的提升，使用高效的树作为几个和用户定义的目标函数的基础学习者。铰链损失是通过封装bst 中的提升实现优化的。包GAMBoost 可用于通过提升算法来拟合广义加性模型。在软件包mbost 中，有一个用于广义线性、加性和非参数模型的可扩展的提升框架。CoxBoost 中实现了对Cox模型基于似然的提升，GMMBoost 中实现了对混合模型的提升。GAMLSS模型可以通过gamboostLSS 使用提升法进行拟合。基于梯度下降的各种学习算法的实现，用于处理回归任务，可在软件包gradDescent 中找到。

也有一些包装器可用，例如一个非常有趣的用于Maxim的预测器估计算法。

• CORElearn实现了相当广泛的机器学习算法，如近邻、树、随机森林和一些特征选择方法。类似地，软件包rminer连接了其他软件包中实现的几种学习算法，并计算了几种性能指标。

而当我写到你使用农村的podlouches时，我指的正是以下情况。

• 大量的用户
• 大量的用户很好地调试了代码
• 大量的用户记录得很好
• 是大量的用户仔细研究了这个理论。
• 许多用户已经创建了出版物，从相互争议到实际应用。

[[删除]]

AdaBoost对外汇来说并不比bagging好，因为它的过拟合情况很严重，尤其是在大维数据上。尤其是它在同类产品中已经过时了，还有xgboost。其余的仍在进行中 :)

我也不太相信外汇上的导入器 功能......但对于一般的教育来说，熟悉它是很好的，例如将基尼掺入到alglieb中。