机构名称：
¥ 7.0
使用深度学习（DL）的新机器学习方法（ML）超过时间系列模型，通常比传统的ML算法更准确。但是，这些相同的模型（DL）是其缺点，因为它花了大量时间来训练它们在其超偏见的复杂定制任务中。可以看出，使用包装技术（RF）和增强（GBM）的另一种强大的ML方法（即随机森林（随机森林-RF）和梯度增强机）的关注较少。它们的计算量较高，而不是时间串联模型，超出了超级保障者的自定义活动的复杂程度远不那么复杂。鉴于此发现，选择了其中两种 - 随机森林和LightGBM，因为它们代表了强大的方法，并且可以有效地捕获数据中的复杂非线性模式。从对这些技术的分析中，我们试图建立一种方法，以系统地获取一种能够协助分析师参与决策过程的工具，以了解投资，赚钱或等待和得出有关在巴西市场中潜在使用机器学习技术的结论，从而提出了推荐的推荐实践和/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/of。首先，进口的数据分区分为三组（培训，验证和测试），并且采用了两种数据分离方法：一种使用数据的时间方面和另一个随机除法。该过程遵循数据收集和存储步骤，价格序列的处理和归一化，串联属性的分析，从原始属性创建新属性，使用预测模型以及结果分析。值得注意的是，数据还使用描述为时间栏的方法的自定义标记。总而言之，考虑到所研究的问题，尽管随机分裂具有更有效的措施，这与使用时间分割有关。关于算法，LGBM证明了它的效果更好。
时间系列的机器学习方法
主要关键词
相关文件推荐
