red neuronal y entradas - página 41
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
He preparado un muestreo de 11 columnas + 1 columna de salida. Pregunta: al iniciar el Predictor qué número de columnas hay que especificar. Sólo la cantidad de datos (11) o junto con la salida (12) ????
Es decir, si en la hoja de cálculo inicial (archivo csv) el número de columnas N > 46, y el número de filas M, el coste del tiempo de cálculo es proporcional a: 2 * (N - 2) + M - 2
Si el número de columnas de la hoja de cálculo N < 13, el tiempo dedicado a los cálculos es proporcional a 2 * (N - 2)2 + M - 2
Es decir, si el número de columnas de la hoja de cálculo es N = 12 (10 entradas), el tiempo de cálculo en el mismo ordenador será el mismo que para N = 1025 (1023 entradas). Porque para el número de entradas inferior a 11 se activan las transformaciones del núcleo MSUA.
Bien, hemos solucionado el tema del tiempo. Pero aquí hay otra cosa que he notado. Si se optimiza un mismo archivo, se obtienen resultados completamente diferentes... Como completamente.... Por supuesto, difieren, a veces incluso mucho. ¿Qué tiene que ver esto con Yuri? Pensé que durante la optimización en este caso debemos llegar al mismo resultado. Pero aquí resulta que el resultado es diferente.... :-( ¿Qué tiene que ver?
Tiene que ver con la aleatoriedad. La muestra general se divide en dos submuestras, una de entrenamiento y otra de control, utilizando jPrediction. jPrediction realiza 100 intentos de dividir la muestra general en dos partes.
En cada intento, se construye un modelo sobre la submuestra de entrenamiento. En la muestra de control, el modelo se comprueba "para ver si es malo". Se muestran los resultados obtenidos en el control (generalizabilidad). Pero los resultados de la capacidad de entrenamiento no son necesarios en el infierno, porque son un ajuste, y por lo tanto no se muestran en cualquier lugar.
Si los mejores resultados de generalizabilidad son muy diferentes en la misma muestra con diferentes ejecuciones, significa que la muestra no es representativa: hay demasiada basura en las entradas. Es decir, los predictores tienen poca significación.
Si la muestra es representativa, se puede construir el mismo mejor modelo más de una vez en 100 ejecuciones, es decir, no depende tanto de qué ejemplos se incluyen en la muestra de entrenamiento y cuáles en la de control.
Al predecir series temporales NS, una partición de la muestra mediante un PRNG no tiene ninguna utilidad práctica: un completo sinsentido que no muestra nada.
Sólo partición artificial con una muestra de control al final de la serie temporal