L'étiquette du marché ou les bonnes manières dans un champ de mines - page 27
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Une centaine d'époques est suffisante si le signe est prédit ?
Une dernière chose : lorsque le réseau vient d'être initialisé, il a besoin de N époques d'entraînement, et lorsque le réseau est déjà entraîné, c'est-à-dire à chaque étape suivante (après la prédiction suivante), il a également besoin de N époques, ou une seule suffit-elle ?
Bonne question, paralocus.
Je ne peux que donner des recommandations. Ainsi, d'après mes données expérimentales, le nombre d'époques d'apprentissage pour NS avec entrée binaire varie de 10 à 100 itérations pour 2 et 8 neurones dans la couche cachée respectivement. Pour l'entrée analogique - 300-500. Tout doit être testé de manière expérimentale.
N époques sont nécessaires à chaque fois.
Je vois.
Voici le code de la grille :
код сюда не влез, поэтому в аттачеÀ ma grande honte, je suis toujours confus par une question simple - le calcul de la longueur de l'époque.
Cela semble clair - P = k*w^2/q, où k = (2...4) ; w - nombre de synapses, q - nombre d'entrées. Apparemment, j'ai une sorte de confusion terminologique dans ma tête. Comment appeler une entrée et comment appeler une synapse.
Pourriez-vous le préciser à nouveau ? Il arrive toujours dans la vie que les choses les plus simples soient les plus difficiles à comprendre - :)
Cela semble fonctionner - :)
La synapse(w), c'est ce que possède le neurone de gauche. L'entrée(d), se réfère au nombre de synapses à chaque neurone de la première couche (cachée). Pour un seul neurone NS, le nombre de synapses est égal au nombre d'entrées. Pour le NS constitué de deux couches et contenant deux neurones dans la première couche (cachée) et un dans la seconde (sortie) : w=2d+3 . L'entrée d'un neurone avec un décalage constant de +1 est considérée comme une entrée régulière. Pour un tel réseau avec d=100, le nombre de synapses w=2*100+3=203. Longueur optimale du vecteur d'apprentissage P=k*w^2/d=2*(2d+3)*(2d+3)/d=(approx.)=2*2d*2=8d=8*100=800 échantillons.
Merci !
J'ai retravaillé les entrées en binaire - tout s'est beaucoup mieux passé ! Maintenant, je fais fonctionner la grille dans le testeur avec différentes combinaisons d'entrées. Quel beau travail... - :)
Guten morgen,
J'aimerais partager ma joie : le premier résultat décent, notamment grâce à quelques conseils de Neutron dans le passé... La barre bleue est la nouvelle donnée, ordonnée en pips. Abscisse : 10 000 EURUSD60.
Positions longues :
Les positions courtes ne sont pas aussi impressionnantes :
Réseau neuronal, 13 entrées, pas de couche cachée. Formation à l'algorithme génétique
Neutron, on dirait que tu avais raison à propos des 25 préparatifs... - :)
Quelque chose dans mon réseau n'apprend pas. Après 100 époques, les poids sont presque les mêmes que ceux avec lesquels le réseau a été initialisé.
Sur une note connexe, une autre question stupide :
Le vecteur d'apprentissage est-il le même à chaque époque ou non ?
Quoi qu'il en soit, il s'avère que le rapport entre la correction accumulée et la correction accumulée au carré tend très rapidement vers zéro. Ainsi, après la 10ème itération, l'apprentissage s'arrête pratiquement.
Réseau neuronal, 13 entrées, pas de couche cachée. Formation à l'algorithme génétique
Génial, YDzh!
Mes résultats sont beaucoup plus modestes. Tu devrais le mettre en démo et voir ce que la grille va couper.