elibrarius: Je veux déterminer automatiquement le nombre de neurones du réseau. Quelles sont les formules pour le calculer ?
J'ai lu quelque part que la couche d'entrée devrait avoir la moitié de la taille de la couche d'entrée, 2 couches au maximum, pas plus, cela a du sens.
Yuriy Asaulenko: Un non-sens absolu. Cela peut être moins ou plus - cela dépend de la tâche. Heikin (je pense que vous en avez un) décrit comment et pourquoi.
Je n'ai pas vu cette information de sa part, peut-être que je ne l'ai pas lu attentivement.
Je n'ai pas vu cette information de sa part, peut-être que je ne l'ai pas lu attentivement.
La deuxième couche est généralement plus grande que la couche d'entrée, parce qu'elle commence à extraire des caractéristiques, et il peut y avoir beaucoup de ces caractéristiques, même si vous avez une classification oui/non.
Heikin l'a certainement, et il est bien mieux écrit que le mien).
Yuriy Asaulenko: C'est une absurdité absolue. Il peut y avoir moins ou plus de neurones et de couches - cela dépend de la tâche. Haykin (je pense que vous l'avez) décrit comment et pourquoi.
J'ai vu une variante sur le nombre d'entrées / 2 et autres. Comment calculer automatiquement la variante optimale ?
J'ai vu l'option nombre d'entrées / 2 et d'autres. Comment calculer automatiquement la meilleure option ?
Je peux me tromper, mais à mon avis, c'est impossible. Vous choisissez à partir de considérations générales, puis en fonction des résultats de la formation, vous ajoutez/supprimez des neurones aux couches, voire vous ajoutez/supprimez des couches supplémentaires.
La deuxième couche est généralement plus grande que la couche d'entrée, car elle commence à extraire des caractéristiques, et il peut y avoir beaucoup de ces caractéristiques, même si vous avez une classification oui/non.
Heikin l'a certainement, et c'est bien mieux écrit que le mien).
En règle générale, la taille de cette couche [cachée] se situe quelque part entre la taille de la couche d'entrée ... et la taille de la couche de sortie ....
Pour calculer le nombre de noeuds cachés, on utilise la règle générale : (Nombre d'entrées + sorties) x 2/3
C'est la recommandation la plus courante... mais en général il y a des méthodes de détermination, il faut lire google, mais c'est compliqué là bas
NS n'extrait aucune caractéristique, les caractéristiques sont introduites dans l'entrée. Il déséchantillonne ou encoche toutes les combinaisons (avec un nombre croissant de neurones).
Un réseau à trois couches (numLayers=3 : une entrée, une cachée et une sortie) est généralement suffisant dans la grande majorité des cas. Selon le théorème de Tsybenko, un réseau à une couche cachée est capable d'approximer n'importe quelle fonction multidimensionnelle continue avec le degré de précision souhaité. Un réseau à deux couches cachées est capable d'approximer n'importe quelle fonction multidimensionnelle discrète.
Je me demande si l'analyse des barres fait référence à une fonction continue ou discrète.
Maxim Dmitrievsky: NS n'extrait aucune caractéristique, les caractéristiques sont introduites dans l'entrée. Il réduit ou encoche toutes les combinaisons (avec un nombre croissant de neurones).
Voilà ! La surestimation du nombre de neurones est donc également néfaste. Il s'agira de se souvenir ensemble du bruit au lieu de généraliser.
Si vous n'avez pas de compte, veuillez vous inscrire
Autorisez l'utilisation de cookies pour vous connecter au site Web MQL5.com.
Veuillez activer les paramètres nécessaires dans votre navigateur, sinon vous ne pourrez pas vous connecter.
Vous êtes connecté. L'authentification à deux facteurs a été désactivée. Configurez-la à nouveau et scannez un nouveau code QR, ou continuez avec l'authentification à deux facteurs désactivée.
Je veux déterminer automatiquement le nombre de neurones du réseau. Quelles sont les formules pour le calculer ?
J'ai lu quelque part que la couche d'entrée devrait avoir la moitié de la taille de la couche d'entrée, 2 couches au maximum, pas plus, cela a du sens.
pour MLP
Vous devriez aller à Gerchik ou aller directement à Perepelkin si vous voulez sérieusement investir dans l'éducation.
Perepelkin n'enseigne plus, il a eu assez de pigeons et a ouvert un dc.
J'ai lu quelque part que la couche d'entrée devait avoir la moitié de la taille de la couche d'entrée, au maximum 2 couches, pas plus.
c'est pour MLP
Un non-sens absolu. Cela peut être moins ou plus - cela dépend de la tâche. Heikin (je pense que vous en avez un) décrit comment et pourquoi.
Je n'ai pas vu cette information de sa part, peut-être que je ne l'ai pas lu attentivement.
Je n'ai pas vu cette information de sa part, peut-être que je ne l'ai pas lu attentivement.
La deuxième couche est généralement plus grande que la couche d'entrée, parce qu'elle commence à extraire des caractéristiques, et il peut y avoir beaucoup de ces caractéristiques, même si vous avez une classification oui/non.
Heikin l'a certainement, et il est bien mieux écrit que le mien).
C'est une absurdité absolue. Il peut y avoir moins ou plus de neurones et de couches - cela dépend de la tâche. Haykin (je pense que vous l'avez) décrit comment et pourquoi.
J'ai vu une variante sur le nombre d'entrées / 2 et autres.
Comment calculer automatiquement la variante optimale ?
J'ai vu l'option nombre d'entrées / 2 et d'autres.
Comment calculer automatiquement la meilleure option ?
La deuxième couche est généralement plus grande que la couche d'entrée, car elle commence à extraire des caractéristiques, et il peut y avoir beaucoup de ces caractéristiques, même si vous avez une classification oui/non.
Heikin l'a certainement, et c'est bien mieux écrit que le mien).
En règle générale, la taille de cette couche [cachée] se situe quelque part entre la taille de la couche d'entrée ... et la taille de la couche de sortie ....
Pour calculer le nombre de noeuds cachés, on utilise la règle générale : (Nombre d'entrées + sorties) x 2/3
C'est la recommandation la plus courante... mais en général il y a des méthodes de détermination, il faut lire google, mais c'est compliqué là bas
NS n'extrait aucune caractéristique, les caractéristiques sont introduites dans l'entrée. Il déséchantillonne ou encoche toutes les combinaisons (avec un nombre croissant de neurones).
Une citation sur le choix du nombre de couches :
Un réseau à trois couches (numLayers=3 : une entrée, une cachée et une sortie) est généralement suffisant dans la grande majorité des cas. Selon le théorème de Tsybenko, un réseau à une couche cachée est capable d'approximer n'importe quelle fonction multidimensionnelle continue avec le degré de précision souhaité. Un réseau à deux couches cachées est capable d'approximer n'importe quelle fonction multidimensionnelle discrète.
Je me demande si l'analyse des barres fait référence à une fonction continue ou discrète.
NS n'extrait aucune caractéristique, les caractéristiques sont introduites dans l'entrée. Il réduit ou encoche toutes les combinaisons (avec un nombre croissant de neurones).