Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 18): Neuronale Architektursuche mit Eigenvektoren"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 18): Neuronale Architektursuche mit Eigenvektoren :

Die Suche nach neuronaler Architektur, ein automatischer Ansatz zur Bestimmung der idealen Einstellungen für neuronale Netze, kann bei vielen Optionen und großen Testdatensätzen von Vorteil sein. Wir untersuchen, wie dieser Prozess bei gepaarten Eigenvektoren noch effizienter gestaltet werden kann.

Wenn wir uns dafür entscheiden, neuronale Netze zu verwenden, um die Beziehung zwischen einem Trainingsdatensatz und seinem Ziel zu definieren, wie es in diesem Artikel der Fall ist, dann müssen wir uns mit der Frage auseinandersetzen, welche Einstellungen dieses Netz verwenden wird. Es gibt verschiedene Arten von Netzen, und das bedeutet, dass auch die anwendbaren Designs und Einstellungen vielfältig sind. In diesem Artikel betrachten wir einen sehr einfachen Fall, der oft als mehrlagiges Perzeptron bezeichnet wird. Bei diesem Typ beschränken sich die Einstellungen auf die Anzahl der verborgenen Schichten und die Größe jeder verborgenen Schicht.

NAS kann in der Regel helfen, diese 2 Einstellungen und vieles mehr zu identifizieren. So sind beispielsweise selbst bei einfachen MLPs die Frage nach der zu verwendenden Aktivierungsart, die zu verwendenden Anfangsgewichte sowie die anfänglichen Verzerrungen allesamt Faktoren, die die Leistung und Genauigkeit des Netzes beeinflussen. Diese werden hier jedoch übergangen, da der Suchraum sehr umfangreich ist und die für die Vorwärts- und Rückwärtsdurchgang erforderlichen Rechenressourcen selbst bei einem mäßig großen Datensatz unerschwinglich wären.

Autor: Stephen Njuki