내 네트워크에는 가중치 수가 45인 300개의 훈련 예제가 주어졌습니다. 문헌에는 훈련 예제의 수가 가중치 개수의 5배이면 네트워크가 95% 확률로 일반화된다는 의견이 있습니다. 저것들. 내 네트워크는 이론에 따라 좋은 일반화를 가져야 하지만 실제로는 그렇지 않습니다. 따라서 이를 확인하기 위해 예를 들어 설명했습니다. 여기서 요점은 더 많은 교육 사례를 취하지 않는 것입니다. 여기서 요점은 내가 네트워크에 강제로 해결해야 하는 작업의 특성입니다. 네트워크가 다음 가격 단계의 크기를 예측하도록 하면 훈련 중에 예측된 단계와 입력 과거 사이의 비례를 유지하기 위해 활성화 함수의 선형 영역에서 뉴런이 작동하는 가중치가 되는 경향이 있습니다. 단계. 즉, 작업 자체가 선형입니다. 이 상황에서 은닉 뉴런을 추가해도 아무 것도 개선되지 않습니다. 그리고 은닉층 자체가 불필요해집니다. 내 네트워크를 실험하여 단일 레이어가 이중 레이어와 마찬가지로 작동한다는 결론에 도달했습니다. 제 생각에는 이 스레드에 대한 귀하의 과거 게시물을 읽고 EURUSD에 대해서도 동일한 결론에 도달했습니다.
내 생각에 네트워크는 뉴런의 활성화 함수를 단계적으로 선택할 수 있는 고도로 비선형적인 작업(예: XOR 작업 또는 분류 작업)에 사용해야 합니다.
어렵지 않다면 NN이 훈련된 샘플, 약 10,000개 샘플의 샘플을 버리십시오(.rar). 또는 그것을 생성할 코드...
네트워크에 제출한 샘플의 첫 인상에 따르면 입력과 출력 사이에는 강력한 선형 관계가 있습니다. 따라서 네트워크는 선형 솔버로 작동합니다...
//----
샘플에 대해: 훈련을 위한 충분한 샘플을 결정하는 방법이 있지만 네트워크(10-21-8-1)는 50,000개의 예제와 100,000개의 예제의 샘플로 다시 훈련할 수 있습니다.
그래서 우리는 논문에는 관심이 없지만, 이익에는... 같은 이유로 방향(다음 카운트다운의 표시)을 제외하고는 아무것도 알 필요가 없습니다.
그리고 양초 방향 예측이 어떤 기간에 의미가 있다고 생각하십니까? 저는 지금 이 방향으로 파고 있습니다(신경망이 사용되지 않음). 결과(정확한 예측의 확률)는 다음과 같습니다: m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51 %, m1-58%. 이 방법을 기반으로 한 Expert Advisor는 스프레드의 속도와 병합됩니다. :/
그리고 양초 방향 예측이 어떤 기간에 의미가 있다고 생각하십니까? 저는 지금 이 방향으로 파고 있습니다(신경망이 사용되지 않음). 결과(정확한 예측의 확률)는 다음과 같습니다: m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51 %, m1-58%. 이 방법을 기반으로 한 Expert Advisor는 스프레드의 속도와 병합됩니다. :/
내 신경망이 통계를 얻는 동안(이 시간 동안 은닉층에 있는 많은 수의 뉴런과의 수렴의 불안정성으로 인해 프로세스가 두 번 중단되었습니다. weight vector의 길이), NN 적용 범위에 대한 제 생각을 표현해 보겠습니다.
위에서 훈련 벡터의 통계적 공백을 채우는 훈련된 네트워크의 능력을 제안했습니다. 이를 통해 학습 데이터가 부족한 신경망을 효과적으로 사용할 수 있었다고 생각합니다. 그런데 자연이 더 재미있어졌다.. 국회의 주특기는 조금 다른 분야에 있는 것 같다. 그 작업은 훈련에 참여하지 않은 입력 데이터의 값을 기반으로 값(예측)을 "발행"하는 것으로 축소됩니다. 이것은 이해할 수 있지만 더 자세히 생각하십시오 ... 가장 안정적으로 예상 값을 예측하기 위해 입력 기능의 연속 공간 (입력 데이터를 수락하는 값 범위)에 몇 개의 참조 포인트가 필요합니다. "약간" 잘못된 입력 데이터. NN의 이 속성이 주된 속성이며, 여기서 핵심은 입력 데이터의 범위가 연속적이라는 점입니다. 여기에서 국회의 힘이 충분히 발휘됩니다.
입력 데이터가 이산형이면 어떻게 됩니까? 그리고 특별한 것은 없습니다. 국회도 똑같이 일할 것입니다. 사실, 이제 우리는 이산 값의 모든 조합에 대한 통계를 수집하고 NN과 동일한 예측을 할 수 있지만 없이는 할 수 있습니다. 그러나 우리는 NN이 이것을 훨씬 더 빠르고 더 우아하게 할 것이라는 점을 잊어서는 안 됩니다(많은 이산 값이 있는 경우와 그렇지 않은 경우...). 그리고, 입력값의 불연속성이 낮거나 그 중 2개(+/-1)만 있으면 NN이 필요하지 않다는 것이 밝혀졌습니다! 각 값에 대한 통계를 수집하는 것으로 충분하며 자연에서 이보다 정확한 예측을 제공하는 것은 없습니다.
이진 입력을 예측하기 위해 NN보다 훨씬 더 효율적인 예측 방법이 있습니다. 이것은 NN의 위엄을 구걸하지 않지만 VR 예측이 이진법으로 축소되는 방식에 감탄합니다!
무화과에. 이진 2 입력 NS가 허용하는 상태 영역이 제공됩니다. 입력 값이 취할 수 있는 조합의 수는 4개에 불과합니다. 그리고 각각에 대해 매수/매도 결정을 내려야 합니다. NS 여기 nafik은 필요하지 않습니다! 통계가 필요합니다. 3-입력 NN의 경우 8개의 꼭짓점이 있는 3차원 큐브를 얻게 되며 각 꼭짓점에는 매수/매도 등이 있습니다.
다시한번 말씀드리지만, 저는 NA의 존엄을 구걸하는 것이 아닙니다. 예를 들어, 연못에서 물벼룩 갑각류의 개체군을 예측하는데, 이는 물의 산성도, 온도 등 100~2가지 요소(수온, 산성도 등)에 따라 달라지며, 매개변수는 NS 없이 1% 변경됩니다. 통계가 전혀 없거나 보간에 대해 일관성이 없는 영역에 들어가는 것이 확실합니다.
예를 들어 퍼셉트론의 심각한 한계를 증명하고 돈을 추구하다 단순히 잊혀진 민스크에게 .... "문장"처럼 들립니다. 그리고 그들은 또한 비선형 초기화를 사용하는 다층 네트워크조차도 올바른 분류를 절대적으로 보장하지 않으며 .. 또한 잊어 버립니다. (그러나 이것은 농담이며 다른 논쟁의 시작이 아닙니다). 나는 여전히 당신의 게시물에서 NN의 강점이 무엇인지 이해하지 못했다는 것을 인정하지만, 내 자신을 구축하고 전문 NN 도구를 사용한 경험은 간단하고 명확한 답을 제공합니다. 퍼셉트론을 사용하는 것은 이점이 없습니다 무엇이든, 특히 - "나쁜" 행에서(당신의 카기는 예측하기에 매우 나쁜 행).
나는 가능한 한 "짧은" 역사(결국, 역사, TA에서 다른 무엇을 사용할 수 있습니까?)에 대한 분석을 바탕으로 이 작업을 국회에 맡겼고 방향(H +) 또는 반대(H -).
그럼 논문도 얼마 남지 않았죠?
그리고 퍼셉트론은 방향만 예측해야 합니다.
그럼 논문도 얼마 남지 않았죠?
그리고 퍼셉트론은 방향만 예측해야 합니다.
그래서 우리는 논문에는 관심이 없지만, 이익에는... 같은 이유로 방향(다음 카운트다운의 표시)을 제외하고는 아무것도 알 필요가 없습니다.
양치기의 패턴은 같은 것이 아닌가?
통계 또는 네트워크를 분석하는 것과 차이점은 무엇입니까?
내 네트워크에는 가중치 수가 45인 300개의 훈련 예제가 주어졌습니다. 문헌에는 훈련 예제의 수가 가중치 개수의 5배이면 네트워크가 95% 확률로 일반화된다는 의견이 있습니다. 저것들. 내 네트워크는 이론에 따라 좋은 일반화를 가져야 하지만 실제로는 그렇지 않습니다. 따라서 이를 확인하기 위해 예를 들어 설명했습니다. 여기서 요점은 더 많은 교육 사례를 취하지 않는 것입니다. 여기서 요점은 내가 네트워크에 강제로 해결해야 하는 작업의 특성입니다. 네트워크가 다음 가격 단계의 크기를 예측하도록 하면 훈련 중에 예측된 단계와 입력 과거 사이의 비례를 유지하기 위해 활성화 함수의 선형 영역에서 뉴런이 작동하는 가중치가 되는 경향이 있습니다. 단계. 즉, 작업 자체가 선형입니다. 이 상황에서 은닉 뉴런을 추가해도 아무 것도 개선되지 않습니다. 그리고 은닉층 자체가 불필요해집니다. 내 네트워크를 실험하여 단일 레이어가 이중 레이어와 마찬가지로 작동한다는 결론에 도달했습니다. 제 생각에는 이 스레드에 대한 귀하의 과거 게시물을 읽고 EURUSD에 대해서도 동일한 결론에 도달했습니다.
내 생각에 네트워크는 뉴런의 활성화 함수를 단계적으로 선택할 수 있는 고도로 비선형적인 작업(예: XOR 작업 또는 분류 작업)에 사용해야 합니다.
어렵지 않다면 NN이 훈련된 샘플, 약 10,000개 샘플의 샘플을 버리십시오(.rar). 또는 그것을 생성할 코드...
네트워크에 제출한 샘플의 첫 인상에 따르면 입력과 출력 사이에는 강력한 선형 관계가 있습니다. 따라서 네트워크는 선형 솔버로 작동합니다...
//----
샘플에 대해: 훈련을 위한 충분한 샘플을 결정하는 방법이 있지만 네트워크(10-21-8-1)는 50,000개의 예제와 100,000개의 예제의 샘플로 다시 훈련할 수 있습니다.
그래서 교차 검증으로 훈련하는 것이 좋습니다 ...
그래서 우리는 논문에는 관심이 없지만, 이익에는... 같은 이유로 방향(다음 카운트다운의 표시)을 제외하고는 아무것도 알 필요가 없습니다.
그리고 양초 방향 예측이 어떤 기간에 의미가 있다고 생각하십니까? 저는 지금 이 방향으로 파고 있습니다(신경망이 사용되지 않음). 결과(정확한 예측의 확률)는 다음과 같습니다: m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51 %, m1-58%. 이 방법을 기반으로 한 Expert Advisor는 스프레드의 속도와 병합됩니다. :/
그리고 양초 방향 예측이 어떤 기간에 의미가 있다고 생각하십니까? 저는 지금 이 방향으로 파고 있습니다(신경망이 사용되지 않음). 결과(정확한 예측의 확률)는 다음과 같습니다: m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51 %, m1-58%. 이 방법을 기반으로 한 Expert Advisor는 스프레드의 속도와 병합됩니다. :/
제 생각에는 없습니다. 시간 프레임 f 화실!
제 생각에는 없습니다. 시간 프레임 f 화실!
결국, 당신은 당신의 영웅의 기질을 물려받았습니다! 시간을 내어 시간이 오면 다음과 같이 작성하게 될 것입니다.
티키에프 파이어박스!!!
모든 일에는 때가 있다는 것뿐...
행운을 빕니다! :에 대한)
모든 일에는 때가 있다는 것뿐...
내 신경망이 통계를 얻는 동안(이 시간 동안 은닉층에 있는 많은 수의 뉴런과의 수렴의 불안정성으로 인해 프로세스가 두 번 중단되었습니다. weight vector의 길이), NN 적용 범위에 대한 제 생각을 표현해 보겠습니다.
위에서 훈련 벡터의 통계적 공백을 채우는 훈련된 네트워크의 능력을 제안했습니다. 이를 통해 학습 데이터가 부족한 신경망을 효과적으로 사용할 수 있었다고 생각합니다. 그런데 자연이 더 재미있어졌다.. 국회의 주특기는 조금 다른 분야에 있는 것 같다. 그 작업은 훈련에 참여하지 않은 입력 데이터의 값을 기반으로 값(예측)을 "발행"하는 것으로 축소됩니다. 이것은 이해할 수 있지만 더 자세히 생각하십시오 ... 가장 안정적으로 예상 값을 예측하기 위해 입력 기능의 연속 공간 (입력 데이터를 수락하는 값 범위)에 몇 개의 참조 포인트가 필요합니다. "약간" 잘못된 입력 데이터. NN의 이 속성이 주된 속성이며, 여기서 핵심은 입력 데이터의 범위가 연속적이라는 점입니다. 여기에서 국회의 힘이 충분히 발휘됩니다.
입력 데이터가 이산형이면 어떻게 됩니까? 그리고 특별한 것은 없습니다. 국회도 똑같이 일할 것입니다. 사실, 이제 우리는 이산 값의 모든 조합에 대한 통계를 수집하고 NN과 동일한 예측을 할 수 있지만 없이는 할 수 있습니다. 그러나 우리는 NN이 이것을 훨씬 더 빠르고 더 우아하게 할 것이라는 점을 잊어서는 안 됩니다(많은 이산 값이 있는 경우와 그렇지 않은 경우...). 그리고, 입력값의 불연속성이 낮거나 그 중 2개(+/-1)만 있으면 NN이 필요하지 않다는 것이 밝혀졌습니다! 각 값에 대한 통계를 수집하는 것으로 충분하며 자연에서 이보다 정확한 예측을 제공하는 것은 없습니다.
이진 입력을 예측하기 위해 NN보다 훨씬 더 효율적인 예측 방법이 있습니다. 이것은 NN의 위엄을 구걸하지 않지만 VR 예측이 이진법으로 축소되는 방식에 감탄합니다!
무화과에. 이진 2 입력 NS가 허용하는 상태 영역이 제공됩니다. 입력 값이 취할 수 있는 조합의 수는 4개에 불과합니다. 그리고 각각에 대해 매수/매도 결정을 내려야 합니다. NS 여기 nafik은 필요하지 않습니다! 통계가 필요합니다. 3-입력 NN의 경우 8개의 꼭짓점이 있는 3차원 큐브를 얻게 되며 각 꼭짓점에는 매수/매도 등이 있습니다.
다시한번 말씀드리지만, 저는 NA의 존엄을 구걸하는 것이 아닙니다. 예를 들어, 연못에서 물벼룩 갑각류의 개체군을 예측하는데, 이는 물의 산성도, 온도 등 100~2가지 요소(수온, 산성도 등)에 따라 달라지며, 매개변수는 NS 없이 1% 변경됩니다. 통계가 전혀 없거나 보간에 대해 일관성이 없는 영역에 들어가는 것이 확실합니다.
...
예를 들어 퍼셉트론의 심각한 한계를 증명하고 돈을 추구하다 단순히 잊혀진 민스크에게 .... "문장"처럼 들립니다. 그리고 그들은 또한 비선형 초기화를 사용하는 다층 네트워크조차도 올바른 분류를 절대적으로 보장하지 않으며 .. 또한 잊어 버립니다. (그러나 이것은 농담이며 다른 논쟁의 시작이 아닙니다). 나는 여전히 당신의 게시물에서 NN의 강점이 무엇인지 이해하지 못했다는 것을 인정하지만, 내 자신을 구축하고 전문 NN 도구를 사용한 경험은 간단하고 명확한 답을 제공합니다. 퍼셉트론을 사용하는 것은 이점이 없습니다 무엇이든, 특히 - "나쁜" 행에서(당신의 카기는 예측하기에 매우 나쁜 행).
하지만 어쨌든 행운을 빕니다. (나는 몇 주 동안 사라질 것입니다) 보자.