Redes neuronais artificiais. - página 13
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
sim, a biblioteca class_NetMLP.mqh na pasta ....\MQL5\Incluir
no meta editor criar um guião e copiar o código
hmm... Bem, o resultado já é conhecido - NS aprenderá tabela de multiplicação, tentará ensinar, por exemplo, pecado(x) - numa palavra experiência para chegar a uma compreensão do porquê, e como funciona, em princípio, não importa - mas certamente funciona. Penso que o principal para si é aprender a utilizar uma ferramenta como a NS.
:-) Preciso de aprender como ligar isto, deixo cair um guião no gráfico, ele carrega e descarrega....
O que ou como pressionar para ver o que se está a passar
Quero compreender como o posso aplicar.
A questão é puramente teórica, será possível, com a ajuda da rede, a exemplo do trabalho de um determinado comerciante, tentar ensinar o Expert Advisor a fazer acordos, como uma aprendizagem alimentando acordos com mais e mais "correctos", e excluindo da aprendizagem acordos errados, perdedores e ambíguos?
---------------
E explicar como permitir o que compilei. por favor.
veja aqui, há também a saída via "imprimir":
Pergunta teórica, será possível, utilizando a rede, a exemplo do trabalho de um determinado comerciante, tentar ensinar um consultor especializado a fazer transacções, como uma aprendizagem alimentando as transacções da rede com mais e mais "correctas", e excluindo transacções erradas, perdidas e ambíguas?
esta não é uma questão teórica, mas uma questão realmente prática. Os NS podem lembrar-se da estrutura dos dados de entrada quando treinados e depois os NS treinados produzirão as respostas de saída correctas
mas não é assim tão suave... o principal problema é o que dar à entrada dos NS, existem erros triviais como: ensinámos aos NS a tabela de multiplicação 1x1 ... 9x9, e depois perguntamos à NS resposta correcta 23x13 e queixamo-nos de que a NS não funciona - NS apenas não tem formação em tabela de multiplicação 23x13.
Se decidimos que usando 3-4 último Close[] para EURUSD podemos prever para onde irá o preço em 10 barras e durante muito tempo "atormentar" os NS nesta direcção e depois gritar nos fóruns, NS não funciona... (embora provavelmente deva utilizar fases lunares para a previsão :) )
Isto é, a qualidade do desempenho de NS depende de dados devidamente preparados, se houver dependências ocultas, NS aprende-as e trabalhará correctamente no futuro, se não houver dependências, NS não pode fazer milagres
É assim que as coisas são, não o posso fazer cientificamente de outra forma.
ver aqui, há também a saída via "imprimir":
А... e eu tenho isto
aqui está o que me resta nesta biblioteca - nem sequer sei se o vai ajudar ou não
SZS:Actualizei o meu post anterior, agora desaparecido, negócio - finalmente, os meus guiões sobre as estatísticas deram os resultados, 14 horas de funcionamento do computador, vou aprender
ver aqui, há também a saída via "imprimir":
esta não é uma questão teórica, mas uma questão realmente prática. Os NS podem lembrar-se da estrutura dos dados de entrada quando treinados e depois os NS treinados produzirão as respostas de saída correctas
mas não é assim tão suave... o principal problema é o que dar à entrada dos NS, existem erros triviais como: ensinamos NS a tabela de multiplicação 1x1 ... 9x9, e depois perguntamos à NS resposta correcta 23x13 e queixamo-nos de que a NS não funciona - NS apenas não tem formação em tabela de multiplicação 23x13.
Se decidimos que usando 3-4 último Close[] para EURUSD podemos prever para onde irá o preço em 10 barras e durante muito tempo "atormentar" os NS nesta direcção e depois gritar nos fóruns, NS não funciona... (embora provavelmente deva utilizar fases lunares para a previsão :) )
Isto é, a qualidade do desempenho de NS depende de dados devidamente preparados, se houver dependências ocultas, NS aprende-as e trabalhará correctamente no futuro, se não houver dependências, NS não pode fazer milagres
É assim que as coisas são, não o posso fazer cientificamente de outra forma.
O problema da adequação da formação é que os dados introduzidos devem ser correctos, se quisermos obter o resultado desejado.
E suficientemente formalizados, e se de facto apenas com base neles for tomada uma decisão
A minha cabeça está a girar em torno da ideia de que o fluxo de entrada de dados com base no qual uma decisão é tomada não é amplo, há algo como vinte, trinta milhões de combinações +- uma ordem de magnitude, de acordo com o meu palpite, após o treino serão duas três mil combinações
Estou a tentar escavar nessa direcção.
aqui está o que me resta nesta biblioteca - nem sequer sei se o vai ajudar ou não
SZS:Actualizei o meu post anterior, agora estou fora, negócios - finalmente os meus guiões sobre as estatísticas deram os resultados, 14 horas de funcionamento do computador, vou estudar
Há casos em que os dados de entrada não dependem dos dados de saída, ou seja, decidimos que usando 3-4 último Close[] para EURUSD podemos prever para onde irá o preço em 10 barras e "mexemos" com os NS nesta direcção e depois gritamos nos fóruns que NS não funciona... (embora provavelmente deva utilizar fases lunares para a previsão :) )
Isto é, a qualidade do desempenho de NS depende de dados devidamente preparados, se houver dependências ocultas, NS aprende-as e trabalhará correctamente no futuro, se não houver dependências, NS não pode fazer milagres
É assim que as coisas são, não o posso fazer cientificamente.
Sim, assim...
Esse é o principal problema quando se treina uma rede neural. Tal como, de facto, na vida em geral. Nunca sabemos do que poderemos precisar no futuro, tentamos aprender tudo e qualquer coisa em que possamos deitar as mãos, e o destino, a cabra de tudo, diz "Para que diabos aprendeste tudo isso? Deveria ter aprendido... De qualquer forma, quem adivinhar, ganha. Tal como diz o algoritmo genético principal.