我正在处理具有 5 个原始特征 (OHLCV) 的股票数据。使用技术分析师使用的少量转换，已经创建了 20 多个提供不同类型指示的功能。当试图预测未来几天的方向时，SVM 显示的行为与其他分类器相反。（当考虑 5 个原始输入时，SVM 会给出更好的结果，而其他方法（如预期的那样）在使用生成的特征时会给出更好的结果）
我完全理解市场数据是非常随机和嘈杂的。这是为了理解不同 ML 方法的行为而进行的理论练习。
与 ANN-BP、随机森林（其他分类器）相比，支持向量分类器在输入特征而不是转换特征方面表现良好
数据挖掘
随机森林
支持向量机
分类器
2022-02-23 18:34:47
2个回答
感谢您的回答，结果将由相关数据集驱动是完全有道理的！
是否有任何理论表明当特征数量较少时，与其他 ML 算法（如 NN 和 RF）相比，SVM 可以提供更好的结果？我认为这种行为的另一个原因是由于转换过程中的信息丢失。
尽管支持向量机的结果几乎保持不变，但其他算法的改进是显着的（8-10%）。均值转换数据显示了 RF 和 NN 能够识别并进行分类的模式，而它几乎不影响 SVM 输出。
不查看数据就无法评论这个特殊情况。但是，使分类器在特定情况下变得更好或更差的是模型拟合曲线。请检查这个例子。
如果因变量和自变量之间的关系最好用一条线表示，那么具有径向内核的 SVM 模型的性能将比线性内核差。同样基于算法，额外的变量可能会导致模型拟合不佳（或产生惊人的结果）
因此，验证的最佳方法之一是绘制点并查看是否可以证明模型结果（至少部分）。
其它你可能感兴趣的问题