Cosa inserire nell'ingresso della rete neurale? Le vostre idee... - pagina 74

Nuovo commento
 
mytarmailS #:
I pesi cambiano nel tempo? Non ho mai sentito questa fantasia prima d'ora.
Cosa c'è di così sorprendente? Cambia il campione --> cambiano i parametri del modello. Inoltre, anche sullo stesso campione i parametri possono differire a causa di differenze nell'inizializzazione dei parametri e, di conseguenza, di una diversa convergenza (la rete neurale convergerà semplicemente a un minimo locale vicino, per esempio).
 
Evgeniy Chernish #:
Cosa c'è di così sorprendente? Il campione è cambiato --> i parametri del modello sono cambiati. Inoltre, anche sullo stesso campione i parametri possono differire a causa di differenze nell'inizializzazione dei parametri e, di conseguenza, di una diversa convergenza (la rete neurale convergerà semplicemente a un minimo locale vicino, per esempio).
Quando la rete neurale viene addestrata, i suoi pesi rimangono invariati. Cambiano solo i dati di ingresso
 
mytarmailS #:
Cerca su Google
Non riesco a trovarlo.
 
osmo1717 #:
Non riesco a trovarlo.
È triste.
 
mytarmailS #:
È triste.
Beh, spiegami.
 
osmo1717 #:
Quindi spiegate.

Spiegato.


m ytarmailS #: Quando una rete neurale viene addestrata, i suoi pesi rimangono invariati. Cambiano solo i dati in ingresso.
 
osmo1717 #:
Beh, spiegatemelo.

guardate questo


 
osmo1717 #:
Spiegare quindi.
Questi sono i coefficienti di significatività dei valori dei parametriCi sono articoli come reti neurali è semplice. Leggete qui gli articoli sulle reti. Perceptron a singolo strato tipo..... )


 
Grazie a tutti per le spiegazioni!
 
Salve.

Metterò i miei cinque centesimi sull'argomento.
Non giudicare severamente.

1. Utilizzate la metodologia dell'"insegnamento per esempi".
Il numero di esempi di addestramento deve essere limitato, non l'intera storia prevedibile.
Altrimenti, il "cervello" della rete sarà un pasticcio, mentre le risposte della rete addestrata dovrebbero essere ben correlate con le risposte corrette conosciute, almeno per gli esempi con cui è stata addestrata.
In realtà, questo è lo scopo dell'addestramento di qualsiasi rete, quando si parla di addestramento su alcuni dati ovviamente disponibili.

2. Gli esempi di addestramento sono preparati a partire da un numero limitato di storie h con il metodo della "finestra di strisciamento", che ha una dimensione di un certo numero di valori k.
In altre parole, il numero di esempi di addestramento (ciascuno di dimensioni k) è pari a h, dove k e h sono preimpostati.
Poiché il numero di storie di addestramento è limitato, quando una nuova storia appare a destra e una vecchia storia scompare a sinistra, anche il contenuto del pacchetto di addestramento cambia, il che significa che la rete deve essere riaddestrata completamente.
In questo modo, la rete non ricorda mai le storie troppo vecchie e viene regolarmente riqualificata sulle nuove.

3. Come regola generale, quando si apprende da esempi, ogni esempio di addestramento deve essere accompagnato da una risposta corretta nota.
Nel contesto di un sistema agli antipodi (comprare o vendere), il valore della risposta corretta nota deve essere compreso tra -1 e +1.
Se il valore della risposta è positivo, viene fornito un esempio di apprendimento per l'acquisto e se il valore della risposta è negativo, viene fornito un esempio di apprendimento per la vendita.
Che cosa esattamente dovrebbe fungere da risposta corretta nota, specialmente nell'intervallo da -1 a +1, forse non lo dirò ora.
Ripeterò però che, dopo l'addestramento, le risposte della rete dovrebbero essere ben correlate con le risposte corrette note, almeno quando la rete viene presentata con gli esempi con cui è stata addestrata.
Verificare la presenza di tale correlazione (test di rete) è una procedura obbligatoria, altrimenti è impossibile affermare che la rete abbia imparato qualcosa di adeguato e non si sia "incazzata".

4. Come immagine di un esempio di addestramento, possiamo utilizzare un certo numero di k valori di differenze di prezzo di chiusura e di apertura normalizzati nell'intervallo da -1 a +1, relativi al massimo (modulo) di questi k valori.
Un tale esempio di allenamento contiene numeri positivi e negativi, che hanno tutto il diritto di essere di segno opposto rispetto a un esempio simile, ma speculare.
In base alle considerazioni sul rispecchiamento, quei segni che sono adatti all'acquisto non sono adatti alla vendita, ma lo saranno in forma speculare, e viceversa.
Il concetto di rispecchiamento suggerisce che la rete dovrebbe dare risposte nell'intervallo da -1 a +1, come antipodali, sia per la vendita che per l'acquisto.
Se il valore della risposta della rete è superiore alla soglia, ad esempio +0,8, allora è un acquisto, o se il valore della risposta della rete è inferiore alla soglia, ad esempio -0,8, allora è una vendita.

5. Oltre all'immagine del prezzo, non bisogna trascurare l'immagine dei volumi, anche dei tick.
Non è importante se il volume è tick o reale, è importante solo che la scala dei volumi abbia pronunciate fluttuazioni di sessione e giornaliere, il che significa che non è almeno inutile.
Tuttavia, i valori del volume sono unipolari e non rientrano nel concetto di mirroring, e bisogna riflettere attentamente su come utilizzarli in una rete con una risposta bipolare.
Ad esempio, due situazioni, prezzo al rialzo/volume al rialzo, prezzo al ribasso/volume al rialzo, sono speculari, ma in questo caso la componente speculare è solo il prezzo, mentre il volume rimane se stesso.
Ma ad esempio, il delta dei volumi (se esiste) è pienamente coerente con il principio di specularità.
A questo punto voglio solo sottolineare che non tutti i dati sono antipodali per natura, ma alcuni di essi dovrebbero rimanere se stessi (non speculari), almeno per l'acquisto, almeno per la vendita.
Tuttavia, la formula di retropropagazione dell'errore non conosce tali peculiarità...

1...676869707172737475767778798081...85
Nuovo commento