Sin embargo, la varianza es un poco alta, hay que aumentar las estadísticas.
¿Quizás para una avería de kotir por hora esto sea bastante normal? Estaba aumentando las estadísticas a 1000. El resultado es un poco más bajo. Ahora las estadísticas d ya están contando, ya os lo enseñaré cuando esté hecho.
Más concretamente, de la constatación del hecho de la cuasi-insuficiencia no se deduce que el mercado sea completamente eficiente.
Sí, lo entiendo, y también tiene más sentido para mí. Aunque, en un juego de palabras, yo utilizaría la palabra "casi" para dar más tiempo a los adivinadores. :)
La figura no parece muy informativa. Mostrar sólo las tangentes en función de la dimensionalidad de entrada en la muestra de entrenamiento y en la muestra de prueba, y poner el autoescalado en el eje de ordenadas.
Esto se debe a que he multiplicado la tangente calculada por la volatilidad de Wiener, que también se ha calculado mal (la diferencia de recuentos acumulada sin elevar al cuadrado)
Vemos que el código NS de una sola capa funciona correctamente: cero (si añadimos más estadísticas) en un proceso aleatorio y algo estadísticamente significativo diferente de cero en una BP de mercado. Ahora podemos pasar a trabajar con el aproximador universal (NS no lineal bicapa) y comparar los resultados obtenidos con el trabajo de la neurona lineal. Tras el pulido, podemos comparar los rendimientos con diferente número de neuronas en la capa oculta y experimentar con diferentes datos de entrada.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Sin embargo, la varianza es un poco alta, hay que aumentar las estadísticas.
¿Quizás para una avería de kotir por hora esto sea bastante normal? Estaba aumentando las estadísticas a 1000. El resultado es un poco más bajo. Ahora las estadísticas d ya están contando, ya os lo enseñaré cuando esté hecho.
Más concretamente, de la constatación del hecho de la cuasi-insuficiencia no se deduce que el mercado sea completamente eficiente.
Sí, lo entiendo, y también tiene más sentido para mí. Aunque, en un juego de palabras, yo utilizaría la palabra "casi" para dar más tiempo a los adivinadores. :)
Aquí están las estadísticas de Wiener:
Si K=2, es más bonito (en Wiener). Sólo pongo K=1 en todas partes, porque con ello la niña y aprende mejor y trabaja mejor(significativamente)
Y esto es para 1000 experiencias kotir (K=1)
Aquí están las estadísticas de Wiener:
La figura no parece muy informativa. Mostrar sólo las tangentes en función de la dimensionalidad de entrada en la muestra de entrenamiento y en la muestra de prueba, y poner el autoescalado en el eje de ordenadas.
¿Está bien?
Ahora explique a dónde quiere llegar.
Si miras tu fig. donde se deriva la tangente para Wiener:
No es difícil estimar su valor visualmente tg=1/2 para la muestra de entrenamiento. Si observa su última Fig., el valor de tg no supera el nivel 0,1
Comentario.
Esto se debe a que he multiplicado la tangente calculada por la volatilidad de Wiener, que también se ha calculado mal (la diferencia de recuentos acumulada sin elevar al cuadrado)
Estas imágenes son para K=1
Ahora, ¡felicidades!
Vemos que el código NS de una sola capa funciona correctamente: cero (si añadimos más estadísticas) en un proceso aleatorio y algo estadísticamente significativo diferente de cero en una BP de mercado. Ahora podemos pasar a trabajar con el aproximador universal (NS no lineal bicapa) y comparar los resultados obtenidos con el trabajo de la neurona lineal. Tras el pulido, podemos comparar los rendimientos con diferente número de neuronas en la capa oculta y experimentar con diferentes datos de entrada.