нейронная сеть и входы - страница 37
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Судя по прочитанным материалам Вам чем то очень нравится преобразование Хартли. Интересно почему? Не могу коментировать это Ваше предпочтение, но думаю, что уж очень сложно. Мне кажется проще использовать декомпозицию ряда на тренд/сезон, по каждой отдельно делать прогноз и возвращать на график сумму.
ИМХО.
Я уже писал выше нейросеть или ансамбль нейросетей не лучшая модель для прогноза, особенно нестационарного ряда.
Сегодня есть более эффективные модели.
Прогнозирование будущих значений ряда( регрессия) заманчивое но неблагодарное дело. Я потратил на это много времени без ощутимого результата.
Сейчас только классификация, результат отличный.
Удачи.
Судя по прочитанным материалам Вам чем то очень нравится преобразование Хартли. Интересно почему?
Сейчас только классификация, результат отличный.
Особого предпочтения именно к Хартли нет, выбрал его как более простое в использовании, без мнимой составляющей.
Классификация - это сила. Думаю применить классификацию, к разбиению обучающей базы на несколько частей. каждая часть под свой класс.
Применение ансамблей нейросетей в экспериментах, было обусловлено желанием повысить точность прогноза, в будущем думаю применить ансамбли для обучения на классифицированных обучающих базах.
Спасибо за интерес.
Ответил в Вашей ветке.
"Применение ансамблей нейросетей в экскрементах...." Опечатка???
Удачи
Нет. Ансамбль лучше чем DT,mlp и svm. Показатели RF и ada приведены дальше и они лучше.
Для наглядности наверно лучше взять что то попроще...
допустим классический ирис Фишера и посмотреть-покрутить... +примерное время расчета...
(setosa = 1,virginica = 0,versicolor = -1(можно и др.зн. присвоить))
Цв=входа…черн=уч(вид ириса)на 1 скрине...далее...
На всех скринах синий=уч...розов=выход модели...
50%граф=об.выборка...50%=проверочная…
15х15=2-3 секунды
20х20=3-4сек
Мбс (метод бл соседей)=1 и менее сек
3х-скрсл (4-2-1)=20 и более сек
Вот тут интересно...
Виден дребезг у 0 (в нашем примере мы его можем убрать простыми действиями(фильтром)
дабы не использовать в будущем более тяжелую нс)
Возможно нечто подобное происходит и у вас... соответственно и идет худший расчет ошибки ...
именно для для нс..правда что такое Показатель Асс в R и как он рассчитывается я не в курсе и могу ошибаться...
более тяжелая нс...
3х- скрсл (8-4-2)=30 и более сек
рез получше...
ну и т.д....
======================
Итого...
1.одинаково успешно решение задач классификации возможно с использованием разных алгоритмов2.время решения задачи зависит от примененного алгоритма
3.для классификации данных в «лоб» лучше юзать специально разработанные для этого алгоритмы...
Для наглядности наверно лучше взять что то попроще...
допустим классический ирис Фишера и посмотреть-покрутить... +примерное время расчета...
(setosa = 1,virginica = 0,versicolor = -1(можно и др.зн. присвоить))
Цв=входа…черн=уч(вид ириса)на 1 скрине...далее...
На всех скринах синий=уч...розов=выход модели...
50%граф=об.выборка...50%=проверочная…
Ну вот. Ирисы будем классифицировть?? Возьмите конкретные данные по нашей тематике и приведите пример.
Зачем нам упражнения на ирисах? На кошечках пусть другие тренируются.
Спорить о преимуществах методов неблагодарное дело. У каждого свои предпочтения. Лично я при выборе метода исхожу из простой предпосылки-метод должен работать с различными входными данными ( как численными так и номинальными) без никаких предварительных преобразований. Поясню почему. Методов препроцессинга входных данных большое количество ( я знаю более 20). И в зависимости от этого получаем различные результаты. Т.е. необходимо выбрать оптимальный набор входных данных, оптимальный способ подготовки этих данных и оптимальный метод, дающий лучшие результаты по какому то критерию. И если от первого и последнего нам не уйти то хотя бы от второго нужно избавиться.
По поводу вопроса о критерии Accuracy - это отношение правильно классифицированных случаев конкретного класса к общему числу случаев этого же класса.
Удачи
Лично я при выборе метода исхожу из простой предпосылки-метод должен работать с различными входными данными ( как численными так и номинальными) без никаких предварительных преобразований. Поясню почему. Методов препроцессинга входных данных большое количество ( я знаю более 20). И в зависимости от этого получаем различные результаты. Т.е. необходимо выбрать оптимальный набор входных данных, оптимальный способ подготовки этих данных и оптимальный метод, дающий лучшие результаты по какому то критерию. И если от первого и последнего нам не уйти то хотя бы от второго нужно избавиться.
для такого подхода да...случайный лес самое то...
удачи...
Вы "страшный человек" )))
для такого подхода да...случайный лес самое то...
удачи...
Случайно, не имеете ли Вы ввиду RandomForest?