文章 "机器学习中的高斯过程（第二部分）：在 MQL5 中实现和测试分类模型"

[MetaQuotes]

新文章 机器学习中的高斯过程（第二部分）：在 MQL5 中实现和测试分类模型已发布：

在这个部分中，我们将探讨 MQL5 中高斯过程库关键接口的实现：IKernel、ILikelihood 和 IInference。我们还将演示其在合成数据上的运行情况，并实现分类和回归指标，同时演示其在在线模式下的运行情况 — 即每根新 K 线都会对模型进行重新训练。

在上一篇文章中，我们学习了贝叶斯机器学习模型 — 高斯过程（Gaussian Processes）的理论基础，并开始在 MQL5 中创建一个 GP 库，描述了两个关键类：GaussianProcess 和 GPOptimizationObjective。

接下来，我们将详细介绍关键接口的实现，从而完善该库：IKernel、ILikelihood 和 IInference。之后，我们将使用合成数据测试该库，并编写分类和回归指标，以演示其在线模式下的运行 — 即在每根新 K 线上重新训练模型。

作者：Evgeniy Chernish

[cemal]

您好，

能否请您举个例子，演示一下如何使用您基于径向基函数的GP回归模型拟合价格序列的方差（如图所示），而不是进行t+1等预测？

[Evgeniy Chernish]

cemal #:
您好，

您能否举个例子，演示一下如何使用您基于径向基函数的GP回归模型来拟合价格序列的方差（如附图所示），而不是进行t+1等期的预测？

您好！

您是想要这样的效果吗？

现在显示的不是下一步的预测，而是训练样本的均值和方差。

[cemal]

非常感谢，您真是太好了。

高斯过程回归模型能否以在线模式进行训练，使其能够实时适应数据的均值和方差？

[Evgeniy Chernish]

cemal #:

非常感谢，您真是太贴心了。

能否对基于高斯过程的回归模型进行在线训练，使其能够实时适应数据的均值和方差？

当然可以，GPRegressor.mq5 脚本正是为此而设计的。