द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें

इसके विपरीत, जब आरएसआई 70 और इसके बाद के संस्करण की रीडिंग दिखा रहा है, तो यह एक संकेत है कि अंतर्निहित परिसंपत्ति की अधिकता है और इस प्रकार मूल्य की सूई की संभावना बढ़ जाती है।

द्विआधारी वर्गीकरण

बाइनरी वर्गीकरण एक वर्गीकरण नियम के आधार पर एक सेट के तत्वों को दो समूहों में वर्गीकृत करने का कार्य है । विशिष्ट बाइनरी वर्गीकरण समस्याओं में शामिल हैं:

यह निर्धारित करने के लिए कि रोगी को कोई रोग है या नहीं; उद्योग में गुणवत्ता नियंत्रण , यह तय करना कि क्या एक विनिर्देश पूरा किया गया है;
• में सूचना पुनर्प्राप्ति , तय करने के लिए एक पेज में होना चाहिए परिणाम सेट एक खोज या नहीं की।

द्विआधारी वर्गीकरण एक व्यावहारिक स्थिति पर लागू होने वाला द्विभाजन है। कई व्यावहारिक द्विआधारी वर्गीकरण समस्याओं में, दो समूह सममित नहीं हैं, और समग्र सटीकता के बजाय, विभिन्न प्रकार की त्रुटियों का सापेक्ष अनुपात रुचि का है। उदाहरण के लिए, चिकित्सा परीक्षण में, किसी बीमारी का पता लगाना जब वह मौजूद नहीं है ( झूठी सकारात्मक ) को किसी बीमारी का पता न लगाने से अलग माना जाता है जब वह मौजूद होती है ( झूठी नकारात्मक )।

सांख्यिकीय वर्गीकरण मशीन लर्निंग में अध्ययन की जाने वाली एक समस्या है । यह एक प्रकार की पर्यवेक्षित द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें शिक्षा है , मशीन सीखने की एक विधि जहां श्रेणियां पूर्वनिर्धारित हैं, और नई संभाव्य टिप्पणियों को उक्त श्रेणियों में वर्गीकृत करने के लिए उपयोग किया जाता है। जब केवल दो श्रेणियां होती हैं तो समस्या को सांख्यिकीय बाइनरी वर्गीकरण के रूप में जाना जाता है।

आमतौर पर द्विआधारी वर्गीकरण के लिए उपयोग की जाने वाली कुछ विधियाँ हैं:

प्रत्येक क्लासिफायरियर अवलोकनों की संख्या, फीचर वेक्टर की आयामीता , डेटा में शोर और कई अन्य कारकों के आधार पर केवल एक चुनिंदा डोमेन में सर्वश्रेष्ठ है। उदाहरण के लिए, यादृच्छिक वन 3D बिंदु बादलों के लिए SVM क्लासिफायरियर से बेहतर प्रदर्शन करते हैं। [1] [2]

परीक्षण किए गए उदाहरणों के इस सेट में, विभक्त के बचे हुए उदाहरणों की स्थिति का परीक्षण किया जा रहा है; दाहिना द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें आधा नहीं। अंडाकार उन उदाहरणों को सीमित करता है जिन्हें एक परीक्षण एल्गोरिदम स्थिति के रूप में वर्गीकृत करता है। हरे क्षेत्र उन उदाहरणों को उजागर करते हैं जिन्हें परीक्षण एल्गोरिथ्म ने सही ढंग से वर्गीकृत किया है। लेबल का उल्लेख है:
टीपी = सच सकारात्मक; टीएन = सच नकारात्मक; एफपी = झूठी सकारात्मक (टाइप I त्रुटि); एफएन = झूठी नकारात्मक (टाइप II त्रुटि); टीपीआर = वास्तविक सकारात्मक दर निर्धारित करने के लिए उदाहरणों का सेट; एफपीआर = झूठी सकारात्मक दर निर्धारित करने के लिए उदाहरणों का सेट; पीपीवी = सकारात्मक भविष्य कहनेवाला मूल्य; एनपीवी = नकारात्मक भविष्य कहनेवाला मूल्य।

ऐसे कई मेट्रिक्स हैं जिनका उपयोग क्लासिफायरियर या प्रेडिक्टर के प्रदर्शन को मापने के लिए किया जा सकता है; अलग-अलग लक्ष्यों के कारण अलग-अलग क्षेत्रों में विशिष्ट मीट्रिक के लिए अलग-अलग प्राथमिकताएं होती हैं। दवा में संवेदनशीलता और विशिष्टता का अक्सर उपयोग किया जाता है, जबकि सूचना पुनर्प्राप्ति में सटीकता और याद को प्राथमिकता दी जाती है। एक महत्वपूर्ण अंतर मेट्रिक्स के बीच है जो स्वतंत्र हैं कि जनसंख्या में प्रत्येक श्रेणी कितनी बार होती है ( प्रचलन ), और मेट्रिक्स जो व्यापकता पर निर्भर करते हैं - दोनों प्रकार उपयोगी होते हैं, लेकिन उनके पास बहुत अलग गुण होते हैं।

एक विशिष्ट डेटा सेट के वर्गीकरण को देखते हुए, वास्तविक डेटा श्रेणी और असाइन की गई श्रेणी के चार बुनियादी संयोजन हैं: सच्चे सकारात्मक टीपी (सही सकारात्मक असाइनमेंट), सच्चे नकारात्मक टीएन (सही नकारात्मक असाइनमेंट), झूठी सकारात्मक एफपी (गलत सकारात्मक असाइनमेंट), और झूठी नकारात्मक एफएन (गलत नकारात्मक असाइनमेंट)।

इन्हें 2×2 आकस्मिक तालिका में व्यवस्थित किया जा सकता है , जिसमें वास्तविक मान के अनुरूप कॉलम होते हैं - स्थिति सकारात्मक या स्थिति नकारात्मक - और वर्गीकरण मूल्य के अनुरूप पंक्तियाँ - परीक्षण परिणाम सकारात्मक या परीक्षण परिणाम नकारात्मक।

आठ बुनियादी अनुपात

इस तालिका से आठ बुनियादी अनुपातों की गणना की जा सकती है, जो चार पूरक जोड़े में आते हैं (प्रत्येक जोड़ी का योग 1 है)। ये चार संख्याओं में से प्रत्येक को उसकी पंक्ति या स्तंभ के योग से विभाजित करके, आठ संख्याएँ प्राप्त करके प्राप्त की जाती हैं, जिन्हें सामान्य रूप से "सच्चे सकारात्मक पंक्ति अनुपात" या "गलत नकारात्मक स्तंभ अनुपात" के रूप में संदर्भित किया जा सकता है।

इस प्रकार कॉलम अनुपात के दो जोड़े और पंक्ति अनुपात के दो जोड़े हैं, और प्रत्येक जोड़ी से एक अनुपात चुनकर इन्हें चार संख्याओं के साथ सारांशित किया जा सकता है - अन्य चार संख्याएं पूरक हैं।

स्तंभ अनुपात हैं:

(टीपीआर) = (टीपी/(टीपी+एफएन)), उर्फ संवेदनशीलता या याद । यह उस स्थिति के साथ जनसंख्या का अनुपात है जिसके लिए परीक्षण सही है।
पूरक के साथ (FNR) = (FN/(TP+FN))
• पूरक झूठी सकारात्मक दर (FPR) = (FP/(TN+FP)) के साथ, जिसे व्यापकता से स्वतंत्र भी कहा जाता है

पंक्ति अनुपात हैं:

(पीपीवी, उर्फ सटीक ) (टीपी/(टीपी+एफपी))। ये किसी दिए गए परीक्षा परिणाम के साथ जनसंख्या का अनुपात है जिसके लिए परीक्षण सही है।
(FDR) के पूरक के साथ (FP/(TP+FP))
• झूठी चूक दर (FOR) (FN/(TN+FN)) के पूरक के साथ , जिसे व्यापकता पर निर्भरता भी कहा जाता है।

नैदानिक ​​परीक्षण में, उपयोग किए जाने वाले मुख्य अनुपात वास्तविक स्तंभ अनुपात हैं - वास्तविक सकारात्मक दर और वास्तविक नकारात्मक दर - जहां उन्हें संवेदनशीलता और विशिष्टता के रूप में जाना जाता है । सूचनात्मक पुनर्प्राप्ति में, मुख्य अनुपात वास्तविक सकारात्मक अनुपात (पंक्ति और स्तंभ) हैं - सकारात्मक भविष्य कहनेवाला मूल्य और वास्तविक सकारात्मक दर - जहां उन्हें सटीक और याद के रूप में जाना जाता है ।

चार संभावना अनुपात ( अनुपात के दो कॉलम अनुपात, अनुपात के दो पंक्ति अनुपात) उत्पन्न करने वाले अनुपातों की एक पूरक जोड़ी के अनुपात ले सकते हैं । यह मुख्य रूप से कॉलम (हालत) अनुपात के लिए किया जाता है, नैदानिक ​​परीक्षण में संभावना अनुपात उत्पन्न करता है । अनुपातों के इन समूहों में से किसी एक का अनुपात लेने से अंतिम अनुपात, डायग्नोस्टिक ऑड्स रेश्यो (DOR) प्राप्त होता है। इसे सीधे (TP×TN)/(FP×FN) = (TP/FN)/(FP/TN) के रूप में भी परिभाषित किया जा सकता है; इसकी एक उपयोगी व्याख्या है - एक विषम अनुपात के रूप में - और व्यापकता-स्वतंत्र है।

कई अन्य मेट्रिक्स हैं, सबसे सरल सटीकता या फ्रैक्शन करेक्ट (FC), जो सही ढंग से वर्गीकृत किए गए सभी उदाहरणों के अंश को मापता है; पूरक भिन्न गलत (FiC) है। एफ स्कोर जोड़ती परिशुद्धता और वजन के एक विकल्प के माध्यम से एक संख्या में याद करते हैं, सबसे बस वजन बराबर है, (संतुलित एफ स्कोर के रूप में एफ 1 स्कोर )। कुछ मेट्रिक्स प्रतिगमन गुणांक से आते हैं : चिह्नितता और सूचना , और उनके ज्यामितीय माध्य , मैथ्यूज सहसंबंध गुणांक । अन्य मेट्रिक्स में यूडेन के जे आंकड़े , अनिश्चितता गुणांक , फाई गुणांक , और कोहेन के कप्पा शामिल हैं ।

परीक्षण जिनके परिणाम निरंतर मूल्यों के होते हैं, जैसे कि अधिकांश रक्त मान , कटऑफ मान को परिभाषित करके कृत्रिम रूप से द्विआधारी बनाया जा सकता है , परीक्षण के परिणामों को सकारात्मक या नकारात्मक के रूप में नामित किया जाता है, जो इस बात पर निर्भर करता है कि परिणामी मूल्य कटऑफ से अधिक है या कम है।

हालांकि, इस तरह के रूपांतरण से जानकारी का नुकसान होता है, क्योंकि परिणामी द्विआधारी वर्गीकरण यह नहीं बताता है कि कटऑफ का मूल्य कितना ऊपर या नीचे है। नतीजतन, जब एक निरंतर मूल्य को बाइनरी में कटऑफ के करीब परिवर्तित किया जाता है, तो परिणामी सकारात्मक या नकारात्मक भविष्य कहनेवाला मूल्य आम तौर पर निरंतर मूल्य से सीधे दिए गए भविष्य कहनेवाला मूल्य से अधिक होता है । ऐसे मामलों में, सकारात्मक या नकारात्मक होने के परीक्षण का पदनाम अनुचित रूप से उच्च निश्चितता का आभास देता है, जबकि मूल्य वास्तव में अनिश्चितता के अंतराल में होता है। उदाहरण के लिए, निरंतर मान के रूप में एचसीजी की मूत्र सांद्रता के साथ , एक मूत्र गर्भावस्था परीक्षण जो एचसीजी के 52 एमआईयू / एमएल मापा जाता है, कटऑफ के रूप में 50 एमआईयू / एमएल के साथ "सकारात्मक" के रूप में दिखा द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें सकता है, लेकिन वास्तव में अनिश्चितता के अंतराल में है जो मूल निरंतर मूल्य को जानने से ही स्पष्ट हो सकता है। दूसरी ओर, कटऑफ से बहुत दूर एक परीक्षा परिणाम में आम तौर पर परिणामी सकारात्मक या नकारात्मक भविष्य कहनेवाला मूल्य होता है जो निरंतर मूल्य से दिए गए भविष्य कहनेवाला मूल्य से कम होता है। उदाहरण के लिए, २००,००० एमआईयू/एमएल का मूत्र एचसीजी मूल्य गर्भावस्था की बहुत अधिक संभावना प्रदान करता है, लेकिन द्विआधारी मूल्यों में रूपांतरण के परिणामस्वरूप यह ५२ एमआईयू/एमएल में से एक के रूप में "सकारात्मक" दिखाता है।

वन-टच विकल्प

एक-स्पर्श विकल्प निवेशकों को लक्ष्य मूल्य, समय सीमा समाप्ति, और प्रीमियम प्राप्त करने की अनुमति देता है जब लक्ष्य मूल्य तक पहुँच जाता है। वेनिला कॉल और पुट की तुलना में, वन-टच विकल्प निवेशकों को सरलीकृत हाँ-या-नो मार्केट पूर्वानुमान से लाभ प्राप्त करने की अनुमति देते हैं। केवल दो परिणाम एक-स्पर्श विकल्प के साथ संभव हैं यदि एक निवेशक समाप्ति के माध्यम से सभी तरह से अनुबंध रखता है:

1. लक्ष्य मूल्य तक पहुँच जाता है और व्यापारी पूरा प्रीमियम जमा करता है।
2. लक्ष्य मूल्य तक नहीं पहुंचा जाता है और व्यापारी व्यापार को खोलने के लिए मूल रूप से भुगतान की गई राशि खो देता है।

नियमित कॉल और पुट ऑप्शन की तरह, अधिकांश वन-टच विकल्प ट्रेडों को लाभ या समाप्ति के लिए समाप्ति से पहले बंद किया जा सकता है, जो इस आधार पर होता है कि अंतर्निहित बाजार या परिसंपत्ति लक्ष्य मूल्य के कितने करीब है।

एक-स्पर्श विकल्प उन व्यापारियों के लिए उपयोगी हैं जो मानते हैं कि एक अंतर्निहित बाजार या परिसंपत्ति की कीमत भविष्य में एक निश्चित मूल्य स्तर को पूरा करेगी या भंग कर सकती है, लेकिन जो निश्चित नहीं हैं कि मूल्य स्तर टिकाऊ है। चूँकि एक-स्पर्श विकल्प की समाप्ति के द्वारा केवल एक हाँ-या-कोई परिणाम नहीं होता है, यह आम तौर पर डबल-टच या बाधा विकल्पों जैसे अन्य विदेशी या द्विआधारी विकल्पों की तुलना में कम महंगा होता है ।

एक-स्पर्श विकल्प की तरह डेरिवेटिव, अक्सर छोटे निवेशकों द्वारा कारोबार नहीं किया जाता है। कुछ ट्रेडिंग वेन्यू हैं जहां वे उपलब्ध हैं, लेकिन यूरोप और अमेरिका में नियामकों ने अक्सर निवेशकों को चेतावनी दी है कि वे अधिक हो सकते हैं। कई मामलों में विकल्प लेखक या विक्रेता बनकर उस गलतफहमी का फायदा उठाना संभव नहीं है। बाइनरी या विदेशी डेरिवेटिव आमतौर पर संस्थानों द्वारा कारोबार किया जाता है जो बेहतर मूल्य निर्धारण के लिए एक दूसरे के साथ बातचीत कर सकते हैं।

आउटकम # 1: मूल्य लक्ष्य मूल्य पर पहुंचता है

एक व्यापारी का मानना ​​है कि एस एंड पी 500 अगले 90 दिनों में कुछ बिंदु पर 5% बढ़ जाएगा, लेकिन यह निश्चित नहीं है कि सूचकांक उस मूल्य पर कितने समय तक या उससे ऊपर रहेगा। एस-पी 500 मिलने या अगले 90 दिनों में किसी भी बिंदु पर उस लक्ष्य मूल्य से अधिक होने पर व्यापारी एक-स्पर्श विकल्प खरीदने के लिए $ 45 प्रति अनुबंध का भुगतान करता है। मान लें कि दो हफ्ते बाद एस एंड पी 500 2% बढ़ गया है, जिससे स्थिति का मूल्य बढ़ गया है क्योंकि यह अधिक संभावना है कि सूचकांक उस लक्ष्य मूल्य तक पहुंच जाएगा। व्यापारी लाभ के लिए अपने एक-स्पर्श विकल्प अनुबंध को बेचने का विकल्प चुन सकता है या समाप्ति के माध्यम से व्यापार को जारी रख सकता है।

परिणाम # 2: मूल्य द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें सपाट रहता है या लक्ष्य मूल्य से दूर चला जाता है

मान लें कि एक व्यापारी ने माना कि एस एंड पी 500 अगले 90 दिनों में 5% बढ़ जाएगा और उसने अपने पूर्वानुमान से लाभ के लिए एक-स्पर्श विकल्प व्यापार खोला। व्यापारी ने एक स्पर्श विकल्प अनुबंधों के लिए $ 45 का भुगतान किया जो लक्ष्य मूल्य तक पहुंचने पर प्रति अनुबंध $ 100 का भुगतान करेगा। बढ़ने के बजाय, सूचकांक एक सप्ताह बाद अप्रत्याशित समाचार पर 3% गिरता है, जिससे यह संभावना कम हो जाती है कि विकल्प समाप्त होने से पहले लक्ष्य मूल्य तक पहुंच जाएगा। यह व्यापारी तब विकल्प बेचने का फैसला कर सकता है या नुकसान के लिए कम कीमत पर व्यापार को बंद कर सकता है या इसे इस उम्मीद में पकड़ सकता है कि बाजार में लागू होता है।

ExpertOption पर RSI संकेतक का उपयोग करके लाभ कैसे बनाएं



आपके एक्सपर्ट ऑप्शन ट्रेडिंग चार्ट पर, आरएसआई को एक थरथरानवाला के रूप में प्रदर्शित किया जाता है, अर्थात्, दो चरम सीमाओं के बीच एक ग्राफिकल लाइन चलती है। और इसे 0 के स्तर से 100 तक रीडिंग के साथ कैलिब्रेट किया जाता है।


RSI संकेतक का विकास किसने किया?

RSI संकेतक को जे। वेल्स नाम से एक प्रसिद्ध व्यापारी द्वारा विकसित किया गया था जहां उन्होंने अपनी 1978 की पुस्तक, न्यू कॉन्सेप्ट्स इन टेक्निकल इंस्टीट्यूट्स में इस पर चर्चा की थी।

• ऊपरी पंक्ति (70) - यह ओवरबॉट ज़ोन है।
• निचली रेखा (30) - ओवरसोल्ड ज़ोन का संकेत।


आरएसआई संकेतक कैसे काम करता है?

इस खंड के तहत हम जिस बड़े सवाल का जवाब देने की कोशिश कर रहे हैं, वह आरएसआई संकेतक व्यापारियों को क्या कहता है?

जैसा कि पहले उल्लेख किया गया है, आरएसआई बाजार की गति निर्धारित करने में मदद करता है; दृष्टि 0 और 100 के स्तर के बीच परिणाम दिखा रहा है।

30 और उससे नीचे के आरएसआई रीडिंग के लिए, यह ओवरसोल्ड बाजारों का संकेत है।


और अगर कोई संपत्ति ओवरसोल्ड ज़ोन में है, तो ट्रेंड रिवर्सल की अधिक संभावना है। इसका मतलब है कि आपको खरीदारी की स्थिति में प्रवेश करने के लिए तैयार होना चाहिए।




इसके विपरीत, जब आरएसआई 70 और इसके बाद के संस्करण की रीडिंग दिखा रहा है, तो यह एक संकेत है कि अंतर्निहित परिसंपत्ति की अधिकता है और इस प्रकार मूल्य की सूई की संभावना बढ़ जाती है।


एक्सपर्ट ऑप्शन पर एक व्यापारी के रूप में, जब भी आप एक अधिक संपत्ति देखते हैं, तो यह एक संकेत है कि अपट्रेंड गति खो रहा है और जल्द ही उलट जाएगा। विक्रय स्थिति खोलें या यदि आप BUY प्रवृत्ति की सवारी कर रहे हैं तो व्यापार से बाहर निकलने की तैयारी करें।


इसके अतिरिक्त, एक्सपर्ट ऑप्शन पर RSI इंडिकेटर का उपयोग सेंटरलाइन क्रॉसओवर को निर्धारित करने के लिए किया जा सकता है।


आरएसआई केंद्र रेखा क्रोसोवर्स क्या हैं?

आरएसआई संकेतक (70% और 30% लाइनों) पर दो पंक्तियों के अलावा, एक केंद्र रेखा मौजूद है। आमतौर पर 50% अंक के रूप में दिखाया गया है।

अब, एक बढ़ती प्रवृत्ति को सेंटरलाइन (50) के नीचे से ऊपर की ओर बढ़ने के संकेत दिए जाते हैं।

जब ऐसा होता है, तो यह आपको एक उभरती हुई सेंटरलाइन क्रॉसओवर देता है।

यहाँ, RSI लाइन नीचे से केंद्र रेखा को पार करती है और 70 रेखा की ओर बढ़ती है।

यह एक संकेत है कि बाजार की प्रवृत्ति तेजी से बढ़ रही है, इसलिए, एक तेजी से संकेत पैदा होता है।



दूसरी ओर, जब 50 लाइन से ऊपर की चाल 30 लाइन की ओर बढ़ती है, तो यह डाउनट्रेंड का संकेत है।

इसे आमतौर पर गिरती हुई सेंटरलाइन क्रॉसओवर के रूप में जाना जाता है।

यहां, आरएसआई लाइन ऊपर से केंद्र रेखा (50) को पार करती है और 30 लाइन की ओर चलती रहती है। व्यापारी इसे एक संकेत के रूप में लेते हैं बाजार की प्रवृत्ति ताकत खो रही है, और इसलिए यह एक मंदी का संकेत है।

आपके पास यह है, आरएसआई संकेतक के संकेतों की व्याख्या कैसे करें।

इस बिंदु तक, आप आरएसआई का उपयोग करके विशेषज्ञ विकल्प पर व्यापार शुरू करने के लिए तैयार हैं। लेकिन, क्या आप इसे अपने ट्रेडिंग चार्ट में जोड़े बिना आरएसआई का उपयोग कर सकते हैं? मुझे शक है।

विशेषज्ञ विकल्प पर आरएसआई संकेतक कैसे सेट करें।

• अपने ट्रेडिंग चार्ट के ऊपरी-दाएं कोने पर संकेतक टैब खोजें और उस पर क्लिक करें।
• आपको सभी संकेतक दिखाते हुए एक विंडो दिखाई देगी। RSI चुनें।
• और संकेतक की सेटिंग विंडो पॉप अप हो जाएगी। यहां वह जगह है जहां आप आरएसआई संकेतक के लिए कस्टम परिवर्तन पेश कर सकते हैं, अवधि निर्दिष्ट कर सकते हैं, ओवरबॉट स्तर, और अंत में ओवरसोल्ड स्तर। लेकिन मैं आपको इसे छोड़ने की सलाह देता हूं।
• ट्रेडिंग चार्ट में संकेतक जोड़ने के लिए अप्लाई बटन पर क्लिक करें।

इस बिंदु पर, आपने सीखा है कि आरएसआई संकेतों की व्याख्या कैसे करें। लेकिन अनुत्तरित प्रश्न यह है कि आप इन संकेतों का लाभ कैसे उठा सकते हैं?

अधिक जानने के लिए पढ़ना जारी रखें।


आरएसआई का उपयोग करके विशेषज्ञ विकल्प पर व्यापार कैसे करें।

RSI बेचना संकेत

जब आरएसआई 70 या अधिक पढ़ रहा है, तो यह एक अधिक संपत्ति का संकेत है। इसका मतलब है, परिसंपत्ति बाजार की उम्मीदों से परे कीमत पर बेच रही है और यह उलट होने से पहले केवल कुछ समय की बात है।

इस तरह के प्रचलित बाजार की स्थितियों के साथ, आपको बेचने की स्थिति के लिए तैयार रहना चाहिए।

RSI खरीदें संकेत

जब परिसंपत्ति 30% के स्तर से नीचे कारोबार कर रही है, तो इसका मतलब है कि यह ओवरसोल्ड है। जैसे, एक प्रवृत्ति उलट आसन्न है।

एक खरीद स्थिति दर्ज करें।

RSI का उपयोग करके रुझानों का निर्धारण

ओवरसोल्ड और ओवरबॉट सिग्नल का निर्धारण करने के अलावा, एक बाजार में प्रचलित रुझानों को निर्धारित करने के लिए आरएसआई संकेतक का उपयोग।

यदि आपको संदेह है कि एक प्रवृत्ति बन रही है, तो आरएसआई के अनुरूप हो। क्या यह सेंटरलाइन (50) से ऊपर या नीचे है?

दूसरी ओर, अगर कोई डाउनट्रेंड है, तो आरएसआई 50 ​​से नीचे होगा।

हालांकि यह सावधानी बरतें:

नकली-आउट होने की संभावना है।

इससे बचने के लिए, आरएसआई 50 ​​लाइन (ऊपर या नीचे) को पार करने के लिए प्रतीक्षा करें।

द्विआधारी वर्गीकरण

बाइनरी वर्गीकरण एक वर्गीकरण नियम के आधार पर एक सेट के तत्वों को दो समूहों में वर्गीकृत करने का कार्य है । विशिष्ट बाइनरी वर्गीकरण समस्याओं में शामिल हैं:

यह निर्धारित करने के लिए कि रोगी को कोई रोग है या नहीं; उद्योग में गुणवत्ता नियंत्रण , यह तय करना कि क्या एक विनिर्देश पूरा किया गया है;
• में सूचना पुनर्प्राप्ति , तय करने के लिए एक पेज में होना चाहिए परिणाम सेट एक खोज या नहीं की।

द्विआधारी वर्गीकरण एक व्यावहारिक स्थिति पर लागू होने वाला द्विभाजन है। कई व्यावहारिक द्विआधारी वर्गीकरण समस्याओं में, दो समूह सममित नहीं हैं, और समग्र सटीकता के बजाय, विभिन्न प्रकार की त्रुटियों का सापेक्ष अनुपात रुचि का है। उदाहरण के लिए, चिकित्सा परीक्षण में, किसी बीमारी का पता लगाना जब वह मौजूद नहीं है ( झूठी सकारात्मक ) को किसी बीमारी का द्विआधारी विकल्प के लिए सर्वश्रेष्ठ पुस्तकें पता न लगाने से अलग माना जाता है जब वह मौजूद होती है ( झूठी नकारात्मक )।

सांख्यिकीय वर्गीकरण मशीन लर्निंग में अध्ययन की जाने वाली एक समस्या है । यह एक प्रकार की पर्यवेक्षित शिक्षा है , मशीन सीखने की एक विधि जहां श्रेणियां पूर्वनिर्धारित हैं, और नई संभाव्य टिप्पणियों को उक्त श्रेणियों में वर्गीकृत करने के लिए उपयोग किया जाता है। जब केवल दो श्रेणियां होती हैं तो समस्या को सांख्यिकीय बाइनरी वर्गीकरण के रूप में जाना जाता है।

आमतौर पर द्विआधारी वर्गीकरण के लिए उपयोग की जाने वाली कुछ विधियाँ हैं:

प्रत्येक क्लासिफायरियर अवलोकनों की संख्या, फीचर वेक्टर की आयामीता , डेटा में शोर और कई अन्य कारकों के आधार पर केवल एक चुनिंदा डोमेन में सर्वश्रेष्ठ है। उदाहरण के लिए, यादृच्छिक वन 3D बिंदु बादलों के लिए SVM क्लासिफायरियर से बेहतर प्रदर्शन करते हैं। [1] [2]

परीक्षण किए गए उदाहरणों के इस सेट में, विभक्त के बचे हुए उदाहरणों की स्थिति का परीक्षण किया जा रहा है; दाहिना आधा नहीं। अंडाकार उन उदाहरणों को सीमित करता है जिन्हें एक परीक्षण एल्गोरिदम स्थिति के रूप में वर्गीकृत करता है। हरे क्षेत्र उन उदाहरणों को उजागर करते हैं जिन्हें परीक्षण एल्गोरिथ्म ने सही ढंग से वर्गीकृत किया है। लेबल का उल्लेख है:
टीपी = सच सकारात्मक; टीएन = सच नकारात्मक; एफपी = झूठी सकारात्मक (टाइप I त्रुटि); एफएन = झूठी नकारात्मक (टाइप II त्रुटि); टीपीआर = वास्तविक सकारात्मक दर निर्धारित करने के लिए उदाहरणों का सेट; एफपीआर = झूठी सकारात्मक दर निर्धारित करने के लिए उदाहरणों का सेट; पीपीवी = सकारात्मक भविष्य कहनेवाला मूल्य; एनपीवी = नकारात्मक भविष्य कहनेवाला मूल्य।

ऐसे कई मेट्रिक्स हैं जिनका उपयोग क्लासिफायरियर या प्रेडिक्टर के प्रदर्शन को मापने के लिए किया जा सकता है; अलग-अलग लक्ष्यों के कारण अलग-अलग क्षेत्रों में विशिष्ट मीट्रिक के लिए अलग-अलग प्राथमिकताएं होती हैं। दवा में संवेदनशीलता और विशिष्टता का अक्सर उपयोग किया जाता है, जबकि सूचना पुनर्प्राप्ति में सटीकता और याद को प्राथमिकता दी जाती है। एक महत्वपूर्ण अंतर मेट्रिक्स के बीच है जो स्वतंत्र हैं कि जनसंख्या में प्रत्येक श्रेणी कितनी बार होती है ( प्रचलन ), और मेट्रिक्स जो व्यापकता पर निर्भर करते हैं - दोनों प्रकार उपयोगी होते हैं, लेकिन उनके पास बहुत अलग गुण होते हैं।

एक विशिष्ट डेटा सेट के वर्गीकरण को देखते हुए, वास्तविक डेटा श्रेणी और असाइन की गई श्रेणी के चार बुनियादी संयोजन हैं: सच्चे सकारात्मक टीपी (सही सकारात्मक असाइनमेंट), सच्चे नकारात्मक टीएन (सही नकारात्मक असाइनमेंट), झूठी सकारात्मक एफपी (गलत सकारात्मक असाइनमेंट), और झूठी नकारात्मक एफएन (गलत नकारात्मक असाइनमेंट)।

इन्हें 2×2 आकस्मिक तालिका में व्यवस्थित किया जा सकता है , जिसमें वास्तविक मान के अनुरूप कॉलम होते हैं - स्थिति सकारात्मक या स्थिति नकारात्मक - और वर्गीकरण मूल्य के अनुरूप पंक्तियाँ - परीक्षण परिणाम सकारात्मक या परीक्षण परिणाम नकारात्मक।

आठ बुनियादी अनुपात

इस तालिका से आठ बुनियादी अनुपातों की गणना की जा सकती है, जो चार पूरक जोड़े में आते हैं (प्रत्येक जोड़ी का योग 1 है)। ये चार संख्याओं में से प्रत्येक को उसकी पंक्ति या स्तंभ के योग से विभाजित करके, आठ संख्याएँ प्राप्त करके प्राप्त की जाती हैं, जिन्हें सामान्य रूप से "सच्चे सकारात्मक पंक्ति अनुपात" या "गलत नकारात्मक स्तंभ अनुपात" के रूप में संदर्भित किया जा सकता है।

इस प्रकार कॉलम अनुपात के दो जोड़े और पंक्ति अनुपात के दो जोड़े हैं, और प्रत्येक जोड़ी से एक अनुपात चुनकर इन्हें चार संख्याओं के साथ सारांशित किया जा सकता है - अन्य चार संख्याएं पूरक हैं।

स्तंभ अनुपात हैं:

(टीपीआर) = (टीपी/(टीपी+एफएन)), उर्फ संवेदनशीलता या याद । यह उस स्थिति के साथ जनसंख्या का अनुपात है जिसके लिए परीक्षण सही है।
पूरक के साथ (FNR) = (FN/(TP+FN))
• पूरक झूठी सकारात्मक दर (FPR) = (FP/(TN+FP)) के साथ, जिसे व्यापकता से स्वतंत्र भी कहा जाता है

पंक्ति अनुपात हैं:

(पीपीवी, उर्फ सटीक ) (टीपी/(टीपी+एफपी))। ये किसी दिए गए परीक्षा परिणाम के साथ जनसंख्या का अनुपात है जिसके लिए परीक्षण सही है।
(FDR) के पूरक के साथ (FP/(TP+FP))
• झूठी चूक दर (FOR) (FN/(TN+FN)) के पूरक के साथ , जिसे व्यापकता पर निर्भरता भी कहा जाता है।

नैदानिक ​​परीक्षण में, उपयोग किए जाने वाले मुख्य अनुपात वास्तविक स्तंभ अनुपात हैं - वास्तविक सकारात्मक दर और वास्तविक नकारात्मक दर - जहां उन्हें संवेदनशीलता और विशिष्टता के रूप में जाना जाता है । सूचनात्मक पुनर्प्राप्ति में, मुख्य अनुपात वास्तविक सकारात्मक अनुपात (पंक्ति और स्तंभ) हैं - सकारात्मक भविष्य कहनेवाला मूल्य और वास्तविक सकारात्मक दर - जहां उन्हें सटीक और याद के रूप में जाना जाता है ।

चार संभावना अनुपात ( अनुपात के दो कॉलम अनुपात, अनुपात के दो पंक्ति अनुपात) उत्पन्न करने वाले अनुपातों की एक पूरक जोड़ी के अनुपात ले सकते हैं । यह मुख्य रूप से कॉलम (हालत) अनुपात के लिए किया जाता है, नैदानिक ​​परीक्षण में संभावना अनुपात उत्पन्न करता है । अनुपातों के इन समूहों में से किसी एक का अनुपात लेने से अंतिम अनुपात, डायग्नोस्टिक ऑड्स रेश्यो (DOR) प्राप्त होता है। इसे सीधे (TP×TN)/(FP×FN) = (TP/FN)/(FP/TN) के रूप में भी परिभाषित किया जा सकता है; इसकी एक उपयोगी व्याख्या है - एक विषम अनुपात के रूप में - और व्यापकता-स्वतंत्र है।

कई अन्य मेट्रिक्स हैं, सबसे सरल सटीकता या फ्रैक्शन करेक्ट (FC), जो सही ढंग से वर्गीकृत किए गए सभी उदाहरणों के अंश को मापता है; पूरक भिन्न गलत (FiC) है। एफ स्कोर जोड़ती परिशुद्धता और वजन के एक विकल्प के माध्यम से एक संख्या में याद करते हैं, सबसे बस वजन बराबर है, (संतुलित एफ स्कोर के रूप में एफ 1 स्कोर )। कुछ मेट्रिक्स प्रतिगमन गुणांक से आते हैं : चिह्नितता और सूचना , और उनके ज्यामितीय माध्य , मैथ्यूज सहसंबंध गुणांक । अन्य मेट्रिक्स में यूडेन के जे आंकड़े , अनिश्चितता गुणांक , फाई गुणांक , और कोहेन के कप्पा शामिल हैं ।

परीक्षण जिनके परिणाम निरंतर मूल्यों के होते हैं, जैसे कि अधिकांश रक्त मान , कटऑफ मान को परिभाषित करके कृत्रिम रूप से द्विआधारी बनाया जा सकता है , परीक्षण के परिणामों को सकारात्मक या नकारात्मक के रूप में नामित किया जाता है, जो इस बात पर निर्भर करता है कि परिणामी मूल्य कटऑफ से अधिक है या कम है।

हालांकि, इस तरह के रूपांतरण से जानकारी का नुकसान होता है, क्योंकि परिणामी द्विआधारी वर्गीकरण यह नहीं बताता है कि कटऑफ का मूल्य कितना ऊपर या नीचे है। नतीजतन, जब एक निरंतर मूल्य को बाइनरी में कटऑफ के करीब परिवर्तित किया जाता है, तो परिणामी सकारात्मक या नकारात्मक भविष्य कहनेवाला मूल्य आम तौर पर निरंतर मूल्य से सीधे दिए गए भविष्य कहनेवाला मूल्य से अधिक होता है । ऐसे मामलों में, सकारात्मक या नकारात्मक होने के परीक्षण का पदनाम अनुचित रूप से उच्च निश्चितता का आभास देता है, जबकि मूल्य वास्तव में अनिश्चितता के अंतराल में होता है। उदाहरण के लिए, निरंतर मान के रूप में एचसीजी की मूत्र सांद्रता के साथ , एक मूत्र गर्भावस्था परीक्षण जो एचसीजी के 52 एमआईयू / एमएल मापा जाता है, कटऑफ के रूप में 50 एमआईयू / एमएल के साथ "सकारात्मक" के रूप में दिखा सकता है, लेकिन वास्तव में अनिश्चितता के अंतराल में है जो मूल निरंतर मूल्य को जानने से ही स्पष्ट हो सकता है। दूसरी ओर, कटऑफ से बहुत दूर एक परीक्षा परिणाम में आम तौर पर परिणामी सकारात्मक या नकारात्मक भविष्य कहनेवाला मूल्य होता है जो निरंतर मूल्य से दिए गए भविष्य कहनेवाला मूल्य से कम होता है। उदाहरण के लिए, २००,००० एमआईयू/एमएल का मूत्र एचसीजी मूल्य गर्भावस्था की बहुत अधिक संभावना प्रदान करता है, लेकिन द्विआधारी मूल्यों में रूपांतरण के परिणामस्वरूप यह ५२ एमआईयू/एमएल में से एक के रूप में "सकारात्मक" दिखाता है।