Busca de um padrão arbitrário usando uma rede neural - página 4
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
Somente a classificação. A rede aprende a distinguir situações (imagens), mas não pode saber o que fazer em que caso ou o que chamar qual imagem.
Você está completamente confuso e está enganando as pessoas. A classificação pode ser com ou sem um professor. Se ensinarmos a rede com um professor, como regra, a variável de saída consiste em 0 e 1 e, neste caso, a variável de saída é uma chamada à ação. (0 para vender 1 para comprar) e a rede tentará dividir os vetores de entrada nestas duas classes. Para ser mais exato, ele tentará atribuir cada vetor de entrada a uma ou outra classe. Taks.... Este vetor pertence a um e este a zero.
Ensinar sem um professor significa a definição inicial do parâmetro "Número de aulas". Digamos que há uma amostra de 1000 entradas, e dividi-las para mim em duas classes: uma classe será 0 e a outra será naturalmente 1. Basta espalhá-los em duas pilhas, dependendo da distância dos dados. Afinal de contas, se você imaginar o vetor de entrada como coordenadas de um ponto no espaço multidimensional, então a distância entre os pontos é essencialmente o que determina o agrupamento das duas nuvens de 500 pontos cada. Não tente imaginar o espaço multidimensional. Imagine tridimensional. Ordinário. Como resultado, temos uma nuvem de pontos que precisamos dividir.
No primeiro caso, nós os dividimos à força de tal forma que a resposta da rede é o mais próxima possível da função alvo, enquanto tentamos chegar o mais próximo possível dela enquanto tentamos impedir a otimização. Ou seja, qualquer nuvem de pontos pode ser dividida conforme desejado, simplesmente mudando sua cor. Aqueles que levaram a um lucro ao vender 0 e aqueles ao comprar 1, é outra questão se desenhamos um hiperplano entre eles e deixamos zeros à direita do avião, e uns - à esquerda. A título de exemplo.
No segundo caso, quando o aprendizado ocorre sem um professor, nós apenas colorimos estes pontos em vermelho e azul apenas por sua proximidade um do outro no espaço multidimensional. Além disso, este método tem uma opção onde não especificamos em quantas classes dividir a amostra, a própria rede determina quantas classes há na amostra e o número de classes será um resultado importante da otimização. Acabei de descobrir. Eis o que eu quero mostrar a vocês. Suponha que o otimizador dividisse nossos 1000 vetores em 5 classes. O que devemos fazer com eles? Hoo of Hoo??? Agora ta daaaaaaaaaaa.... bem, há uma espécie de fanfarra acontecendo, você simplesmente não consegue ouvir :-)
Uma vez que temos as 5 classes, precisamos classificá-las manualmente, qual a nuvem que vai para onde. Como fazer isso. Primeiro devemos verificar uma classe para cada nuvem e depois para outra e verificar a nuvem que tem menos erros. E se você levar em conta que existem quatro classes na classificação binária, interpretarei com muita calma o resultado da otimização como uma instrução de ação e serei assim.
A diferença entre as duas abordagens está apenas em um método, a instrução de ação é preparada antes da otimização e em outro método é preparada depois. E você pode tentar descobrir qual deles é melhor. So.... isto acabou de vir à mente....
Você está confuso e está enganando as pessoas. A classificação pode ser com ou sem um professor...
Sim... Antes de tudo, "entrar" é soletrado com uma inflexão. 2 - Se todas as vacas são chifradas, e um alce também tem chifres, ele não se torna uma vaca.
A palavra "manualmente" também é conjugada. E é exatamente o mesmo que "à mão" com "professor". É a mesma coisa, mas de um ângulo diferente. Sem um professor, é apenas uma classificação.
A representação da classificação como um agrupamento de pontos no espaço e sua proximidade não é o ponto aqui, os valores reais do preço não são de interesse aqui. A classificação é feita de uma maneira diferente aqui.
*
De modo geral, eu estava dizendo que os neurônios não podem pensar independentemente, eles não podem pensar de forma alguma. Para que as redes neurais sejam úteis, elas devem ser ensinadas. E para ensiná-los você precisa de pares input-output (condição-resultado).
De qualquer forma, os termos "com um professor" e "sem um professor" são obsoletos. O ensino com um professor pode ser automatizado. E aprender "sem um professor" é apenas uma frase intrigante, por uma natureza ingênua e impressionável.
...
A única diferença entre as duas abordagens é que em um método as instruções de ação são preparadas antes da otimização, no outro depois. Bem, tente descobrir qual deles é o certo. So.... que me faz lembrar de....
E aqui vai você.
Exatamente. Primeiro, você tem que preparar 100500 exemplos de diferentes "cabeças e ombros" para isso e ensiná-los sobre esses exemplos.
Na verdade, os padrões de preços podem ser descritos pela matemática, você não precisa de NS para isso. Mas uma tentativa de encontrar os sinais de um padrão falso é exatamente a tarefa para a NS.
Por mais controverso que seja. Se o padrão contiver 3-4 barras, podemos usá-lo, mas e se tivermos dezenas delas? Como a matemática pode nos ajudar aqui?
Não está claro como um neurônio muda o "foco de visão" em um padrão. Por exemplo, um padrão de"Ondas Elliott" consiste em cinco ondas onde cada onda é um padrão independente. Em um grande padrão, pode-se ver uma variedade de formas pequenas.
Talvez se uma rede neural for treinada para ver toda a variedade de padrões, ela possa decompor um padrão em muitas formas, e remontar muitas formas em um padrão comum? Ou isso está além da capacidade técnica?
Debatível, no entanto. Se houver 3-4 barras em um padrão, tudo bem, mas se houver dezenas delas? Que tipo de matemática ajudaria?
Portanto, o algoritmo de reconhecimento de padrões deve ser invariante para o número de barras. Pode ser facilmente resolvido.
Pergunta para os conhecedores: uma rede neural pode ser ensinada a escalar o "olhar", movendo-se entre formas, generalizando-as em formas maiores e dividindo-as em formas menores, identificando-se consistentemente como um humano faz?
Você entende pessoalmente como uma pessoa o faz?
Portanto, o algoritmo de reconhecimento de padrões deve ser invariável ao número de barras. Isto é facilmente resolvido.
É um método matemático, não um algoritmo que pode detectar padrões complexos a partir de qualquer número de barras. Eu mesmo tentei, mas não consegui determinar padrões de mais de 4 barras matematicamente.
O que você quer dizer com "matematicamente"? Para comparar valores de parâmetros OCHL dentro de um conjunto de condições e listar variantes de suas relações: if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
Você entende pessoalmente como uma pessoa o faz?
Estou falando de um método matemático, não de um algoritmo que supostamente pode determinar padrões complexos a partir de qualquer número de barras. Eu mesmo o tentei, mas não consegui identificar matematicamente padrões de mais de 4 barras.
O que você quer dizer com "matematicamente"? Para comparar valores de parâmetros OCHL dentro de um complexo de condições e listar variantes de suas relações: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;