rete neurale e ingressi
Hai davvero ragione che il tipo di rete non è così importante, la cosa principale sono gli ingressi, e naturalmente l'uscita. Basta trovare gli ingressi giusti per la rete e farà meraviglie, ma come si fa a trovarli????? La semplice normalizzazione non lo farà.....
La sua domanda è un indizio o è un problema della società? :)
1. se si prende la prima posizione, la cosa principale è trovare il giusto set di indicatori.
2. se si prende la seconda posizione, ci sono due componenti principali: 1. normalizzazione dei dati. 2.fornire i dati della storia utilizzando il filtro (rimuovere le informazioni non necessarie).
Per quanto riguarda il secondo, vorrei aggiungere. Generalmente volevo alimentare i tick filtrati agli input (Renko regolare), perché guardo il grafico a intervalli di tempo con scetticismo. Ma per dividere i prezzi in zone filtro (per esempio 5). Più vicino al prezzo reale, più basso è il periodo renko, più lontano, più alto. Cioè, più i dati sono lontani dal presente, meno influenzano la condizione presente, quindi aumentiamo il filtraggio.
Ma ho rinunciato ai tick, perché è difficile creare un sistema di ricezione dei dati dei prezzi attuali e collegarlo con la storia dei tick, ho deciso di giocare con intervalli di tempo, anche se la filosofia di base non è cambiata.
Mi permetterò di interferire, per non moltiplicare gli argomenti. Chi normalizza i segnali di ingresso? E quali segnali sono più convenienti per operare con l'uscita? Ne ho abbastanza di psaptron primitivi, ho costruito una rete, normalizzato i segnali su tutti i livelli, ma c'è un grande dilemma con l'uscita, e ci sono un sacco di incertezze su piccole cose.
Stai facendo domande strane) Ci sono due compiti principali solitamente risolti da NS nel nostro dominio di applicazione: classificazione e regressione. Su questa base, la rete viene costruita, il suo tipo e la sua architettura vengono scelti, e il suo output viene interpretato di conseguenza. Se l'output sarà l'appartenenza dell'input impostato a qualche classe, o il valore del prezzo di domani (condizionalmente). Cosa fa la tua rete? Cosa gli stai insegnando?
La normalizzazione degli input è semplice, anche se ci possono essere sfumature a seconda dell'input e delle sue caratteristiche (l'input di NS può essere composito, per esempio). Per un set di input "omogeneo" la variante più semplice e solitamente sufficiente è una trasformazione lineare in un dato intervallo [a;b]. A seconda delle caratteristiche del set di input sono possibili ulteriori trasformazioni per migliorare la distinguibilità, per esempio...
Leggete gli articoli, ho imparato qualcosa da loro nel mio tempo (sono tutti disponibili nella scuola di neuroscienze e non ha senso esporli qui):
Presentazione dei dati di input nei compiti di previsione delle reti neurali Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Trasformazione dei dati di input delle reti neurali per migliorare la loro distinzione. Krisilov V.A., Kondratyuk A.V.
Accelerazione dell'apprendimento delle reti neurali tramite semplificazione adattiva dei campioni di apprendimento. Krisilov V.A., Chumichkin K.V.
Stima preliminare della qualità del campionamento di allenamento per le reti neurali in compiti di previsione di serie temporali. Tarasenko R.A., Krisilov V.A.
Una scelta della dimensione della descrizione di una situazione durante la formazione della selezione di formazione per le reti neurali in compiti di previsione di serie temporali. Tarasenko R.A., Krisilov V.A.
Aumento della qualità e della velocità di formazione delle reti neurali in un compito di previsione del comportamento delle serie temporali. Oleshko D.N., Krisilov V.A.
Stai facendo domande strane) Ci sono due compiti principali solitamente risolti da NS nel nostro dominio di applicazione: classificazione e regressione. Su questa base, la rete viene costruita, il suo tipo e la sua architettura vengono scelti, e il suo output viene interpretato di conseguenza. Se l'output sarà l'appartenenza dell'input impostato a qualche classe, o il valore del prezzo di domani (condizionalmente). Cosa fa la tua rete? Cosa gli stai insegnando?
La normalizzazione degli input è semplice, anche se ci possono essere sfumature a seconda dell'input e delle sue caratteristiche (l'input di NS può essere composito, per esempio). Per un set di input "omogeneo" la variante più semplice e solitamente sufficiente è una trasformazione lineare in un dato intervallo [a;b]. A seconda delle caratteristiche del set di input sono possibili ulteriori trasformazioni per migliorare la distinguibilità, per esempio...
Leggete gli articoli, ho imparato qualcosa da loro nel mio tempo (sono tutti disponibili nella scuola di neuroscienze e non ha senso esporli qui):
Presentazione dei dati di input nei compiti di previsione delle reti neurali Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Trasformazione dei dati di input delle reti neurali per migliorare la loro distinzione. Krisilov V.A., Kondratyuk A.V.
Accelerazione dell'apprendimento delle reti neurali tramite semplificazione adattiva dei campioni di apprendimento. Krisilov V.A., Chumichkin K.V.
Stima preliminare della qualità del campionamento di allenamento per le reti neurali in compiti di previsione di serie temporali. Tarasenko R.A., Krisilov V.A.
Una scelta della dimensione della descrizione di una situazione durante la formazione della selezione di formazione per le reti neurali in compiti di previsione di serie temporali. Tarasenko R.A., Krisilov V.A.
Aumento della qualità e della velocità di formazione delle reti neurali in un compito di previsione del comportamento delle serie temporali. Oleshko D.N., Krisilov V.A.
La rete sta predicendo prima, l'uscita è due valori nell'intervallo [-1;1]. Prima do 8 valori all'ingresso della rete, poi normalizzo all'intervallo [-1;1] senza spostare lo zero. Poi normalizzo per pesi e strati nello stesso modo. L'output è una previsione dei due frattali più vicini con la loro posizione relativa rispetto alla barra 0. Non c'è alcun vincolo quantitativo. Cioè, se l'uscita è -1 e 0,5, significa che il frattale più vicino è due volte più basso di Open[0] e il frattale successivo è più alto di Open[0]. E per analogia, se i valori sono 0,3 e 1, allora entrambi i frattali sono superiori a Open[0]. Grazie per la selezione. E le domande sono strane secondo lei. Nella mia testa (mente) tutto è chiaro e comprensibile. E gli schemi e i metodi di insegnamento e di formazione e le interpretazioni. Ma quando si tratta di descrivere la macchina - stupore.
Se i segnali alimentati all'ingresso e all'uscita della rete non portano alcuna informazione utile alla rete, è inutile normalizzarli.
E se questi segnali portano informazioni utili, allora in linea di principio, come e con cosa normalizzare non ha importanza - l'importante è non offuscare queste informazioni contenute ))))
Se i segnali di ingresso e uscita della rete non forniscono informazioni utili alla rete, è inutile normalizzare )))
Quali segnali di ingresso pensi che portino informazioni utili?) Francamente parlando, non mi interessa cosa sta succedendo nello strato nascosto, può essere ricette di torte dei popoli del mondo, la cosa principale che l'output è l'informazione utile, e l'input che fornirò informativo.
Se i segnali alimentati all'ingresso e all'uscita della rete non portano informazioni utili alla rete - è inutile normalizzare )))
О! Leonid! Buon Natale! Successo negli affari e buona salute!
Come sta andando il progetto?
http://www.neuroproject.ru/demo.php?
Io stesso volevo avvicinarmi ai neuro-esperimenti.
Cosa pensi sia rilevante al momento, puoi condividere le tue idee sulla neuro?
Grazie.
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Accetti la politica del sito e le condizioni d’uso
Ciao a tutti. Mi sono interessato all'argomento ns, ho letto due libri, in generale ho capito come stanno le cose. Normalizzare gli ingressi, non ha senso scegliere il tipo ns - msp (o rbf) può far fronte alla maggior parte dei compiti... ma che dire degli ingressi? Qui, la maggioranza si divide in due campi: chi dice che gli indicatori sugli input sono necessari (e sottolineare che) e chi crede che non è necessario a tutti: la maggior parte degli indicatori ns può riprodurre, quindi se necessario ns creerà il necessario "indicatore" dentro di sé.
Forse, con qualche selezione di indicatori utili diminuiamo l'area di ricerca (più esattamente, imponiamo una certa direzione di ricerca), ma idealmentedobbiamo scegliere noi stessi i metodi di analisi dei dati. La mia affermazione da profano è corretta? Forse dobbiamo creare condizioni speciali nel NS per questo?