¿Cómo se evalúa en la práctica la contribución de una aportación "específica" al SN?
No es exactamente el viernes, pero ...
Hay un NS, cualquier NS, hay una entrada A={A1, A2, .... A20}. Entrene al NS y obtenga un resultado satisfactorio. ¿Cómo evaluamos en la práctica la contribución de cada elemento de la entrada A1, A2, ... ¿A20 a este resultado?
Las opciones que se me ocurren son:
1) Sumar y calcular de alguna manera todos los pesos con los que el elemento pasa por la red. No tengo muy claro cómo hacerlo, tendría que sumergirme en el funcionamiento de la red y calcular de alguna manera algunos coeficientes, etc.
2) Intentar "poner a cero" de alguna manera, o por ejemplo invertir un elemento del vector de entrada y ver cómo afecta al resultado final. De momento me he decidido por él.
Pero antes de realizar esta segunda variante decidí pedirme consejo. ¿Tal vez alguien ha estado pensando en este tema más tiempo que yo? ¿Tal vez alguien pueda aconsejar un libro-artículo?
o tal vez excluir esta entrada y tratar de enseñar sin ella. Si el resultado es casi idéntico, no has eliminado realmente el elemento correcto :)
O tal vez excluir esta entrada y tratar de entrenar sin ella. Si el resultado es casi idéntico, entonces no hemos excluido el elemento correcto :)
Este es el panorama: este enfoque dependerá en gran medida del método de entrenamiento, o más bien de la capacidad del entrenamiento para encontrar el máximo absoluto. Yo por ejemplo no me hago ilusiones en este sentido, estoy seguro que usando GA para entrenar 300 pesos no lo voy a encontrar. Así que un poco de máximo local, pero me viene bien. Excluyendo algo puedo obtener un resultado igual de bueno, pero sólo una variante diferente de NS. Pero si pudiera entrenar a NS mediante ISC, es decir, para encontrar la única solución correcta, entonces haría exactamente eso.
En cualquier caso, mi tarea es diferente: hay una NS, hay un input, hay un resultado de aprendizaje y hay que encontrar el grado de influencia de cada elemento del input en el resultado final.
Aquí el panorama es el siguiente: este enfoque dependerá en gran medida del método de aprendizaje, o más bien de la capacidad de aprendizaje para encontrar el máximo absoluto. No me hago ilusiones, estoy seguro de que no puedo encontrar el máximo absoluto entrenando 300 pesos con GA. Así que un poco de máximo local, pero me viene bien. Excluyendo algo puedo obtener un resultado igual de bueno, pero sólo una variante diferente de la operación NS. Pero si pudiera entrenar a NS mediante ISC, es decir, para encontrar la única solución correcta, entonces haría exactamente eso.
En cualquier caso, mi tarea es diferente: hay una NS, hay un input, hay un resultado de aprendizaje y hay que encontrar el grado de influencia de cada elemento del input en el resultado final.
Entonces su opción 2. Pero probablemente no se ponga a cero o se invierta, sino que se sustituya por el azar (ruido)
pero sustituirlo por el azar (ruido)
Otra opción es probar todas las redes con 1 entrada, luego 2 entradas, luego 3 entradas, etc. :-)
Eso es justo lo que estaba pensando... Debería intentar de alguna manera tener en cuenta la interconexión de las entradas, es decir, excluir o incluir las entradas en grupos también.
Los resultados son muy interesantes, pero no sé cómo interpretarlos).
Comenzó a experimentar, eliminando diferentes combinaciones de 1 a 5 entradas. Los resultados son muy interesantes, pero aún no sé cómo interpretarlos) Algunos resultados son tan inesperados... Tendré que rascarme la cabeza durante mucho tiempo.
¿Cuál es la sorpresa?
El grado de influencia de cada aportación es prácticamente imposible de evaluar . Hay todo tipo de fórmulas matemáticas y un software especializado puede calcular automáticamente el grado de influencia. Pero todos estos cálculos no son más que un valor arbitrario, que en realidad no dice mucho, porque puede tener un gran error.
Por experiencia, sólo un comerciante que sabe por su propia experiencia qué instrumento tiene una mayor influencia sobre otro instrumento (cuando se habla de entradas multidivisas) puede determinar esto.
Si hablamos de la selección de indicadores como entrada del mismo símbolo en el que operamos, la selección de una entrada de varios indicadores no tiene casi ningún efecto en la salida de la red neuronal ya que la red neuronal es muy no lineal y por lo tanto casi no le importa lo que se introduce - estocástico o mcd o cualquier otra cosa. Así que definitivamente habrá alguna diferencia, pero no una drástica o generalmente notable que prácticamente no afecte al resultado.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
No es exactamente el viernes, pero ...
Hay un NS, cualquier NS, hay una entrada A={A1, A2, .... A20}. Entrene al NS y obtenga un resultado satisfactorio. ¿Cómo evaluamos en la práctica la contribución de cada elemento de la entrada A1, A2, ... ¿A20 a este resultado?
Las opciones que se me ocurren son:
1) Sumar y calcular de alguna manera todos los pesos con los que el elemento pasa por la red. No tengo muy claro cómo hacerlo, tendría que sumergirme en el funcionamiento de la red y calcular de alguna manera algunos coeficientes, etc.
2) Intenta "poner a cero" de alguna manera, o por ejemplo, invertir un elemento del vector de entrada y ver cómo afecta al resultado final. De momento me he decantado por ella.
Pero antes de realizar esta segunda variante decidí pedirme consejo. ¿Quién puede haber pensado en este tema más tiempo que yo? ¿Tal vez alguien pueda aconsejar un libro-artículo?