Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 16): Uso práctico de la clusterización"
2022.05.30 21:57:27.477 kmeans (WDO$,H1) 800 Error de modelo inf
2022.05.30 22:00:23.937 kmeans (WDO$,H1) 850 Error de modelo inf
2022.05.30 22:04:22.069 kmeans (WDO$,H1) 900 Error de modelo inf
2022.05.30 22:08:04.179 kmeans (WDO$,H1) 950 Error de modelo inf
2022.05.30 22:10:56.190 kmeans (WDO$,H1) 1000 Error de modelo inf
2022.05.30 22:10:56.211 kmeans (WDO$,H1) Llamada a la función ExpertRemove()
¿Cómo resolver este error?
¿Cómo resolver este error?
No se trata de un error de ejecución del programa. Esta línea muestra el error del modelo (distancia media a los centros de los clusters). Pero vemos inf - valor más allá de la precisión de los cálculos. Intente escalar los valores originales. Por ejemplo, divídalos por 10.000
Esto no es un error de ejecución del programa. Esta línea muestra el error del modelo (distancia media a los centros de los clusters). Más allá de la precisión de los valores - valor. Hay que dimensionar los valores originales. Por ejemplo, divide por 10.000
Sigo sin encontrar una solución.
- 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
Artículo publicado Redes neuronales: así de sencillo (Parte 16): Uso práctico de la clusterización:
En el artículo anterior, creamos una clase para la clusterización de datos. En este artículo, queremos compartir con el lector diferentes opciones de uso de los resultados obtenidos para resolver problemas prácticos en el trading.
Para evaluar el rendimiento del asesor experto, lo probaremos con el modelo de clusterización de 500 clústeres entrenado en el artículo anterior y utilizado en la prueba anterior. El programa de entrenamiento se muestra a continuación.
Como podemos ver, el programa de entrenamiento es bastante parejo. Para entrenar el modelo, hemos utilizado el método de optimización de parámetros Adam. Durante las primeras 20 épocas, vemos una disminución gradual en la función de pérdida relacionada con la acumulación de impulsos. Y luego se percibe una fuerte disminución en el valor de la función de pérdida hasta un cierto mínimo. Si recordamos los gráficos de entrenamiento de los modelos supervisados, las líneas discontinuas de la función de pérdida se notan con mayor frecuencia allí. Por ejemplo, a continuación le mostramos un gráfico de entrenamiento para un modelo de atención más complejo.
Autor: Dmitriy Gizlyk