文章 "您应该知道的 MQL5 向导技术（第 04 部分）：线性判别分析"
干得漂亮
我将其添加到 Expert 中，但在编译时得到了这样的信息。
operator[]' - 常量变量不能作为引用传递
1.
for(int v=0;v<__S_VARS;v++)
{
_xy[p].Set(v, Data(Index+p+v+1))；
2.
_xy[p].Set(__S_VARS,Data(Index+p,false))；
3.
for(int v=0;v<__S_VARS;v++)
{
_z[0].Set(v,Data(Index))；
新文章 您应该知道的 MQL5 向导技术（第 04 部分）：线性判别分析已发布：
今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。
LDA 与 PCA 非常相似：事实上，有些人问 PCA 之后再执行 LDA 正则化（避免曲线拟合）是否有意义。 这是一个冗长的话题，也许应该改天写一篇文章。
但对于本文，二维降维方法之间的关键区别在于 PCA 试图找到整个数据集具有最大方差的轴，假设数据越分散，可分离性越大，而 LDA 试图依据分类找到将数据实际分开的轴。
所以从上图中不难看出，PCA 会给我们 LD2，而 LDA 会给我们 LD1。 这导致 PCA 和 LDA 之间的主要差异（因此 LDA 偏好）非常明显：仅仅因为特征具有高方差（离散），并不意味着它在预测类时就会更有用。
作者：Stephen Njuki