Wie arbeiten Sie mit neuronalen Netzen? - Seite 4
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
- Die Anzahl der Schichten wird durch die Dimensionalität des Eingabevektors bestimmt, d.h. das Netz wird automatisch durch Definieren und Initialisieren/Lesen von Arbeitsfeldern erzeugt;
- Die Anzahl der Neuronen in einer versteckten Schicht nimmt mit zunehmender Schichtanzahl N nach dem Gesetz 1/(2^N) ("lösende Kristalle") oder 1/N ("erinnernde Kristalle") ab;
Es scheint bewiesen zu sein, dass drei Schichten ausreichen, um jede Funktion zu approximieren. Sie scheinen davon auszugehen, dass es mehr von ihnen gibt. Aus welchen Gründen?
Im Großen und Ganzen kommt die Konzeption meinen Gedanken sehr nahe, auch wenn ich, was die Bekanntschaft mit dem NS betrifft, wahrscheinlich in einem wesentlich früheren Stadium bin. Es wäre interessant, sich auszutauschen. Können Sie mir hier Ihre E-Mail-Adresse angeben? Oder schreiben Sie mir an likh on yandex ru.
Es geht nicht um die Angleichung von Funktionen. Ich weiß nichts über den von Ihnen erwähnten Beweis (da ich nie mit projektiven Netzen arbeiten musste), aber allgemeine Überlegungen legen nahe, dass bei der Approximation beliebiger Funktionen der Typ der Basisfunktionen und die Dimension der Basis eine viel größere Rolle spielen, als die "Schichtung" des Netzes; dies gilt jedoch für die projektiven Methoden im Allgemeinen.
Ich habe mich für die spezifizierte Konfiguration eines Netzwerks entschieden, weil dies wahrscheinlich die Art und Weise ist, wie das Gehirn von Lebewesen aufgebaut ist und wie es "lernt", indem es die eingegebenen Informationen adaptiv speichert und klassifiziert. (Ich habe meine Biologen- und Ärztekollegen mit meinen dummen Fragen fast zu Tode belästigt, aber sie konnten nichts Konkretes sagen außer "wozu brauchen Sie das" und "schneiden Sie es auf und probieren Sie es selbst"). Daher die Wahl der Oia-Regel, um die Skalen zu verändern - in diesem Fall kann man nicht mit Sicherheit sagen, ob "Lernen mit einem Lehrer" oder "ohne Lehrer" stattfindet (ich habe eine solche Trennung der Begriffe aus irgendeinem Grund immer als zu künstlich empfunden). Interessanterweise hört ein solches Netz ab einem bestimmten Zeitpunkt der Waagenanpassung auf, vorhersehbar zu sein, d. h. es beginnt sich zu "verhalten", obwohl wir bisher nur von einem solchen "Kristall" sprechen.
Kurz gesagt, das Netz und die Methode zur Anpassung seiner Skalen wurden fast ausschließlich aus heuristischen Überlegungen heraus entwickelt. Schließlich spielen solche Überlegungen bei der Börse, die wir alle zu besiegen versuchen, höchstwahrscheinlich nicht die letzte Rolle. Email: alex-jou Hund rambler Punkt ru (nur eine sehr große Bitte - fügen Sie es nicht zu Ihrer Kontaktliste hinzu, um Spam zu vermeiden. Im Allgemeinen und ich bitte jeden, es zu tun - der Nutzen dieses Dienstes ist fast gleich Null und der Schaden ist enorm).
Es scheint bewiesen zu sein, dass drei Schichten ausreichen, um jede Funktion zu approximieren. Sie scheinen davon auszugehen, dass es mehr von ihnen gibt. Aus welchen Gründen?
Meine Frage ist folgende. Wie arbeiten Sie mit neuronalen Netzen: implementieren Sie nur mit mql4-Mitteln (dieselbe künstliche Intelligenz), oder verwenden Sie Programme wie MatLab oder spezielle Neuro-Packs (Neuro Shell Day Trader, NeuroSolutions usw.), indem Sie eine DLL an den Code des EA anhängen. Welchen Ansatz verfolgen Sie und was sind seine Vorteile gegenüber anderen (abgesehen von der Rentabilität)?
Jeder Ansatz hat seine Vor- und Nachteile:
1. Wenn Sie Ihr eigenes neuronales Netz entwickeln, haben Sie es nicht mit einer Blackbox zu tun, es sei denn, Sie haben einfach den Quellcode genommen und kompiliert, aber irgendwo haben Sie der Aufgabe etwas Spezielles hinzugefügt.
2. Wenn Sie ein proprietäres Raster kaufen, erhalten Sie: eine Blackbox für das Geld, aber auch: Support, fertige Lösungen und proprietäre Aufheller für die Eingabe.
Einfach ausgedrückt: Wenn man zum Beispiel ein universelles Zeitreihenvorhersagepaket kauft, muss der Benutzer nicht darüber nachdenken, was in die Eingaben eingegeben wird. Denn in diesem Paket sind die Eingaben die Zeitreihen, wie sie sind. Und im Paket selbst wird es für die Einspeisung in die Eingänge des Netzes vorbereitet, d. h. bevor das Netz für das Training gestartet wird, findet ein Whitening statt:
1. Filterung und Glättung der Eingangsdaten, um sie vorhersehbarer und weniger verrauscht zu machen
2. Normalisierung
3. Filterung und Eliminierung von weniger wichtigen Eingaben
4. Eliminierung von Korrelationen zwischen Eingaben
5. Beseitigung der Linearität aus den Eingangsdaten
6. Auswahl geeigneter Sigmoide für normalisierte DatenUnd so weiter und so fort.
Danach wird das Netz trainiert. Dann werden die Ausgangsdaten wiederhergestellt. Wenn zum Beispiel die Linearität an den Eingängen eliminiert wurde, stellt das Paket sie an den Ausgängen wieder her. Aus Mist an den Eingängen wird Süßes an den Ausgängen. Da wir es mit einer Blackbox zu tun haben, ist es durchaus möglich, dass das Paket anstelle eines neuronalen Netzes einen genetischen Algorithmus oder vielleicht eine Regressions- oder andere Extrapolationsmethode verwendet.
-+++------------------------------------------------------------------------------------------------------------------------------------------+++-
- Diejenigen, die sich mit neuronalen Netzen befassen wollen, aber den Begriff "Normalisierung" nicht verstehen, sollten sich lieber ein universelles Paket für die Vorhersage von Zeitreihen zulegen, bei dem neben der Zeitreihe (Anführungszeichen) höchstens die Lag-Größe gefragt ist.
- Fortgeschrittene Benutzer, die sich mit den Besonderheiten der Architekturen neuronaler Netze auskennen, d. h. die Vor- und Nachteile studiert haben, sollten speziellere Pakete kaufen. Solche Pakete sind nicht zum Dilettieren geeignet, da man die richtige Architektur für die jeweilige Aufgabe selbst finden muss. Und "wissenschaftliche" Methoden wie das Hinzufügen von Stoffen zu den Eingaben sind hier nicht sinnvoll, da die Ergebnisse höchstwahrscheinlich ebenfalls voller Mist sein werden.
- Alles andere, d.h. Netze, die aus nicht autorisierten oder von Grund auf neu geschriebenen Quellen zusammengesetzt werden, ist nur für diejenigen geeignet, die echte Erfahrung in der Vorbereitung der Eingabedaten vor dem Training des Netzes und der Datenwiederherstellung am Ausgang nach dem Training haben.
D.h. das Prinzip der Paketauswahl für neuronale Netze ist obszön einfach: Wenn du nicht kacken kannst, dann quäle deinen Anus nicht. Wenn Sie ein cooles Paket gekauft haben und Fragen zur Benutzung haben, die Sie mit Hilfe der mitgelieferten Handbücher nicht selbst beantworten können, bedeutet das nur eines: Gehen Sie nicht so vor, d.h. kaufen Sie etwas weniger Cooles für die Dummen.
Das Problem mit neuronalen Netzen ist das gleiche wie bei anderen TK, die keine neuronalen Netze verwenden - ein neuronales Netz wird immer ein Muster in einem bestimmten Zeitintervall (Training oder Optimierung) finden, und dann stellt sich die gleiche Frage - wird dieses Muster in der Zukunft funktionieren (Gewinn bringen)?
Reshetov:
Aus Mist an den Eingängen werden Süßigkeiten an den Ausgängen.
Niemals.
Da wir es mit einer Blackbox zu tun haben, ist es durchaus möglich, dass anstelle eines neuronalen Netzes in einem proprietären Paket ein genetischer Algorithmus verwendet wird, oder vielleicht eine Regression oder eine andere Extrapolationsmethode.
Wie verhält sich die GA zu NS und Regression?
NS ist eine Methode.
GA ist eine Methode.
"GA statt NS verwenden" klingt verrückt. Das ist wie "ersetze das Herz durch einen Abgasanalysator".
Es tut mir leid. (kichert)
....... Dann stellt sich die gleiche Frage: Wird dieses gefundene Muster in Zukunft funktionieren (Gewinn bringen)?
Nehmen wir rein hypothetisch an, dass ein Weg gefunden wird oder bereits gefunden wurde, um diese Frage zu beantworten: "Nein". Außerdem gilt für jede TC. Welche Schlussfolgerung lässt sich daraus ziehen?
Werden die Händler den Handel einstellen? Aber ich bin nur neugierig.
ZS: Werden die Händler zuverlässige Informationen kaufen, die bestätigen, dass die Antwort "Nein" lautet? Oder wollen sie die Antwort auf diese Frage lieber nicht wissen? (Rhetorik, wenn überhaupt)
Nehmen wir rein hypothetisch an, dass ein Weg gefunden wird oder bereits gefunden wurde, um diese Frage zu beantworten: "Nein". Außerdem gilt für jede TC. Welche Schlussfolgerung würden Sie daraus ziehen?
Werden die Händler den Handel einstellen? Aber ich bin nur neugierig.
ZS: Werden die Händler zuverlässige Informationen kaufen, die bestätigen, dass die Antwort "Nein" lautet? Oder wollen sie die Antwort auf diese Frage lieber nicht wissen? (Rhetorik, wenn überhaupt).