Discusión sobre el artículo "Experimentos con redes neuronales (Parte 5): Normalización de parámetros de entrada para su transmisión a una red neuronal"
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
Artículo publicado Experimentos con redes neuronales (Parte 5): Normalización de parámetros de entrada para su transmisión a una red neuronal:
Las redes neuronales lo son todo. Vamos a comprobar en la práctica si esto es así. MetaTrader 5 como herramienta autosuficiente para el uso de redes neuronales en el trading. Una explicación sencilla.
Los métodos de normalización pueden variar según el tipo de datos y el problema que estemos resolviendo. Por ejemplo, los métodos de normalización se usan a menudo para imágenes, como la normalización por la media y la desviación estándar (normalización z) y la normalización según el mínimo y máximo (normalización min-max). Sin embargo, para otros tipos de datos, como las señales de audio o los datos de texto, puede resultar más eficaz utilizar otros métodos de normalización.
Para señales de audio, por ejemplo, con frecuencia se usa la normalización de amplitud máxima, donde todos los valores de la señal se escalan entre -1 y 1. Para datos de texto, puede resultar útil normalizar por el número de palabras o caracteres en una oración.
Además, en algunos casos puede ser útil para normalizar no solo los datos de entrada, sino también las variables objetivo. Por ejemplo, en problemas de regresión donde la variable objetivo tiene un amplio rango de valores, puede resultar útil normalizar la variable objetivo para mejorar la estabilidad del entrenamiento y la precisión de la predicción.
La normalización de los parámetros de entrada supone un paso importante en el proceso de preparación de los datos para el entrenamiento de redes neuronales. Este proceso permite llevar los datos de entrada a un determinado rango de valores, lo cual ayuda a mejorar la estabilidad y la velocidad de la convergencia del entrenamiento. Dependiendo del tipo de datos y del problema que estemos tratando de resolver, se pueden utilizar diferentes métodos de normalización. Además, en algunos casos puede ser útil para normalizar no solo los datos de entrada, sino también las variables objetivo.
Autor: Roman Poshtar