Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 21): Autocodificadores variacionales (VAE)"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Redes neuronales: así de sencillo (Parte 21): Autocodificadores variacionales (VAE):
En el anterior artículo, vimos el algoritmo del autocodificador. Como cualquier otro algoritmo, tiene ventajas y desventajas. En la implementación original, el autocodificador se encarga de dividir los objetos de la muestra de entrenamiento tanto como sea posible. Y en este artículo, en cambio, hablaremos de cómo solucionar algunas de sus deficiencias.
Para probar el rendimiento de nuestro autocodificador variacional, hemos tomado el modelo del artículo anterior y lo hemos guardado en el nuevo archivo "vae.mq5". En ese modelo, el codificador ha retornado 2 valores en la neurona de la capa 5. Para organizar adecuadamente el autocodificador variacional, he aumentado el tamaño de la capa en la salida del codificador a 4 neuronas e insertado una 6ª nueva capa neuronal para trabajar con el estado latente del autocodificador variacional. El modelo ha sido entrenado con EURUSD en el marco temporal H1 sin cambiar ningún parámetro. He elegido un segmento temporal para el entrenamiento del modelo que abarque los últimos 15 años. En la siguiente figura se muestra un gráfico comparativo de la curva de aprendizaje del autocodificador multicapa y del autocodificador variacional.
Como podemos ver en los resultados del entrenamiento del modelo, el autocodificador variacional ha mostrado un error de recuperación de datos significativamente menor durante todo el periodo de entrenamiento. Además, la dinámica de reducción de errores del autocodificador variacional es mayor.
Basándonos en los resultados de las pruebas, podemos concluir que para resolver las tareas de extracción de las características de las series temporales utilizando el ejemplo de la dinámica del precio de EURUSD, los autocodificadores variacionales tienen un gran potencial en la extracción de características individuales de las descripciones de patrones.
Autor: Dmitriy Gizlyk