rede neural e entradas - página 37
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
Pelo que li, você parece gostar muito da transformação de Hartley. Por que será? Não posso comentar sobre sua preferência, mas acho que é muito complicado. Acho que é mais fácil usar a decomposição das séries em tendência/época, fazer uma previsão para cada uma separadamente e retornar a soma para o gráfico.
IMHO.
Eu já escrevi acima uma rede neural ou um conjunto de redes neurais não é o melhor modelo de previsão, especialmente para séries não-estacionárias.
Hoje existem modelos mais eficientes.
Prever os valores futuros de uma série (regressão) é tentador, mas ingrato. Gastei muito tempo nisso sem nenhum resultado tangível.
Agora apenas a classificação, o resultado é excelente.
Boa sorte.
Pelo que li, você parece gostar muito da transformação de Hartley. Por que será?
Agora apenas a classificação, o resultado é excelente.
Nenhuma preferência especial por Hartley, escolheu-o como sendo mais fácil de usar, sem o componente imaginário.
A classificação é poder. Estou pensando em utilizar a classificação para dividir um banco de dados de treinamento em várias partes, cada parte com sua própria classe.
Usei conjuntos de redes neurais em minhas experiências porque queria melhorar a precisão das previsões, no futuro acho que usarei conjuntos para treinamento nas bases de treinamento classificadas.
Obrigado por seu interesse.
Respondido em sua linha.
"Aplicação de conjuntos de redes neurais em excremento...." typo????
Boa sorte
Não. Ensemble é melhor que DT,mlp e svm. Os números da RF e da ada são dados a seguir e são melhores.
Por uma questão de clareza, é provavelmente melhor tomar algo mais simples.
...digamos uma íris clássica da Fisher 's e olhar e ver... + tempo aproximado de cálculo...
(setosa = 1,virginica = 0,versicolor = -1 (outros valores também são possíveis))
Color=input...black=ouch (vista da íris) em 1 tela...seguinte...
Em todas as telas azul = ouch... rosa = modelo de saída...
50% graf= amostragem ob...50%= amostragem de teste...
15x15=2-3 seg
20x20=3-4 seg
Mbs (método do vizinho bl) = 1 seg ou menos
3x-segundos (4-2-1)=20 seg ou mais
É aqui que fica interessante...
Você pode ver a conversa em 0 (em nosso exemplo, podemos removê-la com uma simples ação (filtro)
de modo a não utilizar ns mais pesados no futuro)
Provavelmente algo semelhante acontece com você... de acordo com isso, há um cálculo de erro pior ...
Não sei qual é a Relação de Atribuição em R e como é calculada, e posso estar errado...
ns mais pesados...
3x scrsl (8-4-2)=30 seg ou mais
melhor cortar...
etc....
======================
Resumindo...
1. é possível resolver problemas de classificação com o mesmo sucesso usando diferentes algoritmos.2.o tempo de solução do problema depende do algoritmo aplicado
3.para classificar os dados de frente, é melhor usar algoritmos especialmente desenvolvidos...
É provavelmente melhor usar algo mais simples para ilustrar o ponto...
...digamos uma íris clássica da Fisher's e olhar e ver... + tempo aproximado de cálculo...
(setosa = 1,virginica = 0,versicolor = -1 (outros valores também são possíveis))
Color=input...black=ouch (vista da íris) em 1 tela...seguinte...
Em todas as telas blue=ouch... pink= modelo de saída...
50% graff=amostragem objetiva...50%=teste...
Aqui vamos nós. Devemos classificar as íris? Pegue dados específicos sobre nosso assunto e dê um exemplo.
Por que devemos nos exercitar nos íris? Deixe que outros pratiquem em bichanos.
Discutir sobre os méritos dos métodos é uma tarefa ingrata. Cada um tem suas próprias preferências. Pessoalmente estou escolhendo um método que procedo a partir de uma premissa simples - um método deve funcionar com vários dados de entrada (tanto numéricos como nominais) sem nenhuma transformação preliminar . Deixe-me explicar por quê. Há um grande número de métodos de pré-processamento de dados de entrada (eu sei mais de 20). E, dependendo disso, obtemos resultados diferentes. Portanto, precisamos selecionar o conjunto ideal de dados de entrada, a maneira ideal de preparar esses dados e o método ideal que dá os melhores resultados por qualquer critério. E se não podemos nos livrar do primeiro e do último, precisamos nos livrar do segundo pelo menos.
Quanto à questão do critério de Precisão - a relação entre os casos corretamente classificados de uma determinada classe e o número total de casos de uma mesma classe.
Boa sorte.
Pessoalmente, ao escolher um método, parto de uma premissa simples - o método deve funcionar com dados de entrada diferentes (tanto numéricos como nominais) sem qualquer pré-transformação. Deixe-me explicar por quê. Há um grande número de métodos de pré-processamento de dados de entrada (eu sei mais de 20). E, dependendo disso, obtemos resultados diferentes. Portanto, precisamos selecionar o conjunto ideal de dados de entrada, a maneira ideal de preparar esses dados e o método ideal que dá os melhores resultados por qualquer critério. E se não podemos fugir do primeiro e do último , pelo menos precisamos nos livrar do segundo.
para esta abordagem sim...uma floresta aleatória está bem...
boa sorte...
Você é um "homem assustador" ))))
para esta abordagem sim...as madeiras aleatórias são boas...
boa sorte...
Por acaso, você não quer dizer RandomForest?