Decision Tree 100% Accuracy Forex

Eu tenho um conjunto de dados com 1175 exemplos e 21 recursos que estão na faixa de -1, 1 e duas etiquetas de classe 1 e 0. Ao ler na maioria dos recursos, é bom ter dados na faixa de - 1, 1 ou 0, 1. Então pensei que não precisava de pré-processamento. Mas quando eu executo SVM e classificadores de árvore de decisão do scikit-learn, obtive 100 precisões usando validação cruzada com 10 dobras. No entanto, a precisão da classificação parece diminuir à medida que executo mais iterações. Estou coletando esses dados de um dispositivo Kinect que me dá ângulos e posições das certas articulações do corpo humano. Por causa de falhas de hardware, estou certo de que há um ruído nos dados. Então, obter 100 é quase impossível. Meu conjunto de dados está disponível aqui, perguntou 8 de maio 15 às 20:27 Eu tinha a mesma árvore com você que age como o homem decson maker. Parece que este conjunto de dados não exige um classificador ML. Uma regra simples se faz o trabalho (com o limite correto), mas foi bom entender essa situação, já que tenho esse tipo de conjunto de dados que preciso ver se essa situação existe. Então, o jeito que você realmente me ajudou. Obrigado ndash kobuki 9 de maio 15 às 15:46 Bem, o classificador (a árvore) ainda lhe disse algo útil sobre a forma de seus dados, e essa é uma grande parte do aprendizado. Uma vez que você sente que sua pergunta foi abordada, você poderia aceitar minha resposta ndash Matthew Drury 9 de maio de 15 em 16: 50 Previsão de estoque usando árvore de decisão Se você é novo aqui, você pode se inscrever no meu feed RSS. Obrigado pela visita, comecei a aplicar mineração de dados para financiar por alguns meses. Assim, darei uma visão sobre o meu principal projeto em relação à previsão do mercado de ações. Ao começar minha empresa, eu vi vários projetos (o chamado 8220screener8221, ou seja, com base em indicadores técnicos para construir regras de escolha de estoque, mas sem uso de mineração de dados). A maioria deles faz dois pressupostos: as regras baseadas em indicadores técnicos don8217t evoluem a tempo. As ações são selecionadas (e às vezes processadas) de forma diferente de acordo com o setor a que pertencem (por exemplo, saúde e cuidados, indústria, etc.) Como eu não me sinto bem com Esses dois pressupostos, eu comecei um novo projeto com base na seguinte idéia: Cada indicador técnico pode funcionar para um estoque específico e em um certo momento no tempo Isso significa que i) regras baseadas em indicadores devem evoluir no tempo e ii) cada estoque Deve ser processado de forma independente. Note-se que o segundo ponto não significa que não há correlação entre um estoque específico eo setor ao qual pertence. Isso significa apenas que os estoques podem se comportar de forma diferente e, portanto, devem ser tratados de forma independente. No entanto, qualquer informação do seu setor poderia ser usada no processo de previsão. Quando visto como uma caixa de balck, o sistema possui informações sobre um estoque específico (como aberto, alto, baixo, fechado, volume, etc.) como entrada e um valor de classe como saída. A classe é corrigida desta maneira: 1 se closejn gt (x closej) closej -1 caso contrário, onde n é a diferença entre o dia atual eo dia previsto e x é um valor escolhido para levar em conta as taxas de transação (note que um valor fixo Também pode ser escolhido em vez de uma porcentagem). As previsões da classe são assim feitas para cada estoque de forma independente. Um ano de dados diários são utilizados para treinar e no mês seguinte para testes. Um processo de mudança de janela é feito para que o sistema se adapta ao mercado atual. Aqui estão as diferentes etapas da metodologia geral que faz uso da árvore de decisão para a previsão de estoque: 1. Filtração de estoque 2. Pré-processamento de dados 3. Árvore de classificação 4. Gerenciamento de risco Nas seguintes postagens, vou explicar em detalhes cada uma dessas etapas.