Rede neural - página 12
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
Mas eu amo este aqui. >>) O quanto sofri com isso no meu tempo, antes do câmbio:).
Suas agonias trouxeram o resultado há muito esperado na forma de aumentar sua riqueza pessoal, criando e usando com sucesso um consultor especializado em redes neurais? Ou talvez seja tudo mentira. :)
>> Quais são as saídas, entradas?
Quantos valores de professor é melhor usar para treinar uma rede neural? Por exemplo, se houver quatro ações possíveis nas respostas da rede. Se você usar 4 valores, eu noto que o erro é maior do que se você suavizar os valores médios. Quantos são ótimos? No arquivo anexo, à esquerda, as saídas reais, à direita, os valores sobre os quais a rede foi treinada.
E suas torturas trouxeram o resultado há muito esperado no aumento de um bem-estar financeiro pessoal por meio da criação e aplicação bem sucedida na vida do consultor em redes de neurônios? Ou talvez seja um lixo. :)
Kohonen sim, às vezes ajuda. BackProp - você precisa de um professor. Ensino experimentado, o resultado é negativo. Você precisa saber onde conseguir um professor. Por mais artigos que eu tenha lido, tudo isso é um disparate. Então eu joguei no lixo. Talvez eu esteja errado e outra pessoa aqui lhe fale sobre a retroalimentação. A propósito, há algumas coisas interessantes em Makarenko, Golovko, por exemplo em suas palestras sobre o MEPhI neuroinformático, aconselho a leitura das mesmas.
Você tem que saber onde conseguir um professor.
Você mesmo não pode escrevê-lo?
Você mesmo não pode escrevê-lo?
Se houver sugestões para saídas de rede, ou seja, professores, por favor, informe sua opinião sobre a situação. Não consegui obter nenhum resultado. Parecia legal no início, depois foi para baixo.
Eu tentei usar o roteiro para procurar vetores de entrada inconsistentes. Se o vetor de entrada tem um determinado desvio ou coincide completamente com outro vetor, veja o que o professor diz sobre essas barras. Se disser resultados diretamente opostos - as entradas são inconsistentes. As entradas são a indicação AO, o professor é o analógico do MRR do diploma de Ivanov. Assim, se o desvio não for igual a zero, mas um pouco maior (por exemplo, 0,5), o roteiro encontra uma série de vetores contraditórios. Se o desvio for ainda maior, ele encontra ainda mais, e assim por diante. Em outras palavras, cada vetor é completamente individual. Então como se pode tentar combinar vetores em grupos de vetores similares em um caso como o da rede Kohonen?
Uma pequena pergunta para o público.
Eu tentei procurar vetores de entrada inconsistentes usando um script. Se um vetor de entrada tem um determinado desvio ou coincide completamente com outro vetor, veja o que o professor diz nestas barras. Se disser resultados diretamente opostos - as entradas são inconsistentes. As entradas são a indicação AO, o professor é o analógico do MRR do diploma de Ivanov. Assim, se o desvio não for igual a zero, mas um pouco maior (por exemplo, 0,5), o roteiro encontra uma série de vetores contraditórios. Se o desvio for ainda maior, ele encontra ainda mais, e assim por diante. Em outras palavras, cada vetor é completamente individual. Então como se pode tentar combinar vetores em grupos de vetores similares em um caso como o da rede Kohonen?
Não se trata de saber se cada vetor é individual ou não. Trata-se de como o próprio vetor é composto. Entenda que uma rede neural é apenas uma ferramenta de interpretação de dados, não é uma "inteligência artificial inteligente", que pode ser alimentada o que você quiser e ela entenderá tudo por si só. O NS funciona de acordo com a regra mais primitiva do reflexo condicionado - impacto->reação. É por isso que você mostra sinais AO para ele, ou qualquer outro indicador, ou seu horóscopo em geral - não importa; se o sinal inicial não contiver informações úteis, a rede não obterá nada dele. Basta pensar, você já mostrou, digamos, vinte amostras de AO. E agora imagine quantas variantes diferentes de situações de mercado poderiam resultar na formação de tal (ou "quase tal" - em termos de correlação) seqüência. Mesmo que haja apenas dois deles (um caso limitante) - a probabilidade de que eles dêem resultados diametralmente opostos não é de forma alguma desprezível. E se houver mais deles? E em geral, como ela saberia se você mostrou seu AO ou AC, ou um gráfico de atividade solar? É de onde vêm os chamados "vetores inconsistentes" - dos dados brutos, porque a chamada inconsistência realmente diz que a rede, ou melhor, o modelo matemático que ela descreve, simplesmente não pode tomar decisões nesta situação, devido à falta de argumentos suficientes.
Não desperdice seu tempo em redes de treinamento sobre o preço nua e indicadores lineares como AO - é um estágio atrás de nós e um grande número de experimentos provaram que não é pelo menos rentável. Cavar no lado não linear, isolar os componentes principais, etc. A rede só funcionará com sucesso quando analisar dados significativos - e somente a cabeça do programador pode fazer sentido (não necessariamente a única - ela pode ser conectada a várias ferramentas técnicas).
Os dados não lineares são dados não classificados?
Eu preferiria dizer refletir até certo ponto a essência subjacente dos processos que estão ocorrendo, em vez de suas manifestações externas. O que um comerciante tem para começar? Há um fluxo de notícias, um fluxo de preços e um fluxo de volume (de fato, os dados não são consistentes). E se os dois últimos objetos já estão "matematizados" por assim dizer - expressos em números, então com as notícias o problema é mais complicado - primeiro, eles devem ser obtidos, e segundo, de alguma forma formalizados (bem, isso é um tópico à parte, houve até mesmo um fio sobre isso aqui recentemente).
Portanto, nossa tarefa é mostrar tudo isso a uma rede neural em forma digerível. Isso é imaginar um papagaio que foi ensinado durante cem anos a responder de certa forma a frases bastante específicas, por exemplo "comprar" "vender" e "sitikuri". Obviamente, seria razoável dar-lhe, por exemplo, frases como "o preço tem agido assim e assim nos últimos dias Н (estava subindo de assim e assim para assim e assim, depois estava caindo, depois - preste atenção especial, Popka - fez um padrão assim e assim), os volumes de negócios foram assim e assim, o mercado reagiu nas notícias que foram publicadas na época e tudo isso estava acontecendo no fundo da tendência de assim e assim". - E em sua cabeça de papagaio após os cem anos mencionados - talvez até inconscientemente - se formará um quadro da situação do mercado, após o qual ele dará, com certa probabilidade, a resposta correta. Se lhe dissermos que "o preço foi assim ontem, assim ontem e assim por um mês", ele simplesmente não saberá a que se agarrar, porque a tarefa de destacar elementos significativos no fluxo homogêneo de informações será um fardo pesado para seu cérebro minúsculo. Assim, na melhor das hipóteses, ele terá uma vaga idéia do que procurar ao tomar uma decisão, e se formos repreendê-lo diligentemente demais por respostas erradas (leia-se: treinamento com um professor :), ele estará completamente perdido e deixará o processo de aprendizado completamente ignorante.
Outra analogia: como você e eu usamos nossos olhos para reconhecer objetos? Grosso modo, nossa consciência não analisa um conjunto de pixels provenientes diretamente da retina; ela recebe uma imagem visual pronta para análise e reconhecimento - isto é, para entender o que vemos, as seções cerebrais correspondentes junto com a própria imagem já nos fornecem uma lista de características para prestar atenção; isto é, os dados já estão preparados para análise final; eles já contêm uma certa carga semântica.
Escolher o essencial e descartar o sem importância é o que eu entendo por processamento não linear.