réseau neuronal et entrées
Vous avez vraiment raison de dire que le type de réseau n'est pas si important, l'essentiel étant les entrées et, bien sûr, les sorties. Il suffit de trouver les bonnes entrées pour le réseau et il fera des merveilles, mais comment les trouver ?????. Une simple normalisation ne suffira pas.....
Votre question est-elle un indice ou une question de société ? :)
1. Si vous prenez la première position, l'essentiel est de trouver le bon ensemble d'indicateurs.
2. si l'on prend la deuxième position, il y a deux composantes principales : 1. la normalisation des données. 2.fournir des données historiques en utilisant le filtre (supprimer les informations inutiles).
En ce qui concerne le second, je voudrais ajouter. En général, je voulais alimenter les entrées avec des ticks filtrés (Renko ordinaire), car je regarde le graphique à intervalle de temps avec scepticisme. Mais pour diviser les prix en zones de filtrage (par exemple 5). Plus le prix réel est proche, plus la période renko est faible, plus elle est éloignée, plus elle est élevée. C'est-à-dire que plus les données sont éloignées du présent, moins elles affectent la condition actuelle, d'où l'augmentation du filtrage.
Mais j'ai abandonné les ticks, car il est difficile de créer un système de réception de données sur les prix actuels et de le connecter avec l'historique des ticks, j'ai décidé de jouer avec les intervalles de temps, bien que la philosophie de base n'ait pas changé.
Je vais me permettre d'intervenir, pour ne pas multiplier les sujets. Qui normalise les signaux d'entrée ? Et quels sont les signaux les plus pratiques à utiliser en sortie ? J'en ai assez des psaptrons primitifs, j'ai construit un réseau, normalisé les signaux sur toutes les couches, mais il y a un gros dilemme avec la sortie, et il y a beaucoup d'incertitudes sur de petites choses.
Vous posez des questions étranges) Il existe deux tâches principales généralement résolues par les SN dans notre domaine d'application : la classification et la régression. Sur cette base, le réseau est construit, son type et son architecture sont choisis, et sa sortie est interprétée en conséquence. Si la sortie sera l'appartenance de l'entrée fixée à une certaine classe, ou la valeur du prix de demain (conditionnellement). Que fait votre réseau ? Que lui enseignez-vous ?
La normalisation des entrées est simple, bien qu'il puisse y avoir des nuances selon l'entrée et ses caractéristiques (l'entrée de NS peut être composite, par exemple). Pour un ensemble d'entrée "homogène", la variante la plus simple et généralement suffisante est une transformation linéaire dans un intervalle donné [a;b]. Selon les caractéristiques de l'ensemble d'entrée, des transformations supplémentaires sont possibles pour améliorer la distinction, par exemple...
Lisez des articles, j'en ai appris quelque chose à mon époque (ils sont tous disponibles à l'école de neuroscience et il est inutile de les exposer ici) :
Présentation des données d'entrée dans les tâches de prédiction des réseaux neuronaux Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Transformation des données d'entrée des réseaux neuronaux pour améliorer leur distinction. Krisilov V.A., Kondratyuk A.V.
Accélération de l'apprentissage des réseaux neuronaux par la simplification adaptative des échantillons d'apprentissage. Krisilov V.A., Chumichkin K.V.
Estimation préliminaire de la qualité de l'échantillonnage de formation pour les réseaux neuronaux dans les tâches de prévision des séries temporelles. Tarasenko R.A., Krisilov V.A.
Le choix de la taille de la description d'une situation pendant la formation de la sélection de formation pour les réseaux neuronaux dans les tâches de prévision des séries temporelles. Tarasenko R.A., Krisilov V.A.
Augmentation de la qualité et de la vitesse d'entraînement des réseaux neuronaux dans une tâche de prévision du comportement des séries temporelles. Oleshko D.N., Krisilov V.A.
Vous posez des questions étranges) Il existe deux tâches principales généralement résolues par les SN dans notre domaine d'application : la classification et la régression. Sur cette base, le réseau est construit, son type et son architecture sont choisis, et sa sortie est interprétée en conséquence. Si la sortie sera l'appartenance de l'entrée fixée à une certaine classe, ou la valeur du prix de demain (conditionnellement). Que fait votre réseau ? Que lui enseignez-vous ?
La normalisation des entrées est simple, bien qu'il puisse y avoir des nuances selon l'entrée et ses caractéristiques (l'entrée de NS peut être composite, par exemple). Pour un ensemble d'entrée "homogène", la variante la plus simple et généralement suffisante est une transformation linéaire dans un intervalle donné [a;b]. Selon les caractéristiques de l'ensemble d'entrée, des transformations supplémentaires sont possibles pour améliorer la distinction, par exemple...
Lisez des articles, j'en ai appris quelque chose à mon époque (ils sont tous disponibles à l'école de neuroscience et il est inutile de les exposer ici) :
Présentation des données d'entrée dans les tâches de prédiction des réseaux neuronaux Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Transformation des données d'entrée des réseaux neuronaux pour améliorer leur distinction. Krisilov V.A., Kondratyuk A.V.
Accélération de l'apprentissage des réseaux neuronaux par la simplification adaptative des échantillons d'apprentissage. Krisilov V.A., Chumichkin K.V.
Estimation préliminaire de la qualité de l'échantillonnage de formation pour les réseaux neuronaux dans les tâches de prévision des séries temporelles. Tarasenko R.A., Krisilov V.A.
Le choix de la taille de la description d'une situation pendant la formation de la sélection de formation pour les réseaux neuronaux dans les tâches de prévision des séries temporelles. Tarasenko R.A., Krisilov V.A.
Augmentation de la qualité et de la vitesse d'entraînement des réseaux neuronaux dans une tâche de prévision du comportement des séries temporelles. Oleshko D.N., Krisilov V.A.
Le réseau prédit plus tôt, la sortie est deux valeurs dans la gamme [-1;1]. J'envoie d'abord 8 valeurs à l'entrée nette, puis je normalise dans l'intervalle [-1;1] sans décaler le zéro. Ensuite, je normalise par poids et par couches de la même manière. La sortie est une prévision des deux fractales les plus proches avec leur position relative par rapport à la barre 0. Il n'y a pas d'obligation quantitative. Autrement dit, si la sortie est -1 et 0,5, cela signifie que la fractale la plus proche est deux fois inférieure à Open[0] et que la fractale suivante est supérieure à Open[0]. Et par analogie, si les valeurs sont 0,3 et 1, alors les deux fractales sont supérieures à Open[0]. Merci pour la sélection. Et les questions sont étranges selon vous. Dans ma tête (mon esprit), tout est clair et compréhensible. Et les schémas, et les méthodes d'enseignement, et de formation, et les interprétations. Mais quand il s'agit de décrire la machine - stupeur.
Si les signaux transmis à l'entrée et à la sortie du réseau ne portent aucune information utile pour le réseau, il est inutile de les normaliser.
Et si ces signaux sont porteurs d'informations utiles, alors, en principe, la manière et le type de normalisation n'ont pas d'importance - l'essentiel est de ne pas brouiller ces informations contenues )))).
Si les signaux d'entrée et de sortie du réseau ne fournissent pas d'informations utiles pour le réseau, il est inutile de normaliser ;)))
Quels sont les signaux d'entrée qui, selon vous, transportent des informations utiles). Franchement, je me fiche de ce qui se passe dans la couche cachée, qu'il s'agisse de recettes de tartes des peuples du monde, l'essentiel étant que la sortie soit une information utile, et que l'entrée soit informative.
Si les signaux transmis à l'entrée et à la sortie du réseau ne contiennent pas d'informations utiles pour le réseau, il est inutile de normaliser :)))
О ! Leonid ! Joyeux Noël ! Succès en affaires et bonne santé !
Comment se passe le projet?
http://www.neuroproject.ru/demo.php?
Je voulais m'approcher moi-même des neuro-expériences.
Que pensez-vous de l'actualité, pouvez-vous partager vos idées sur la neuro ?
Merci.
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
Bonjour à tous. Je me suis intéressé au sujet des ns, j'ai lu deux livres, en général je comprends ce qui se passe. Normaliser les entrées, il n'y a aucun sens à choisir le type de ns - msp (ou rbf) peut faire face à la plupart des tâches... mais qu'en est-il des entrées ? Ici, la majorité se divise en deux camps : ceux qui disent que les indicateurs sur les entrées sont nécessaires (et le soulignent) et ceux qui croient que ce n'est pas nécessaire du tout: la plupart des indicateurs ns peuvent se reproduire, donc si nécessaire ns créeront l'"indicateur" nécessaire à l'intérieur d'eux-mêmes.
Peut-être que, par une sélection d'indicateurs utiles, nous réduisons la zone de recherche (plus exactement, nous imposons une certaine direction de recherche), maisl'idéal serait que nous choisissions nous-mêmes les méthodes d'analyse des données. Ma déclaration de profane est-elle correcte ? Peut-être devons-nous créer des conditions spéciales dans la NS pour cela ?