Это первая из серии статей, посвященных математическим аспектам создания пользовательских критериев с особым акцентом на нелинейных функциях, применяемых в нейросетях, MQL5-коде для реализации, а также на использования целевых и корректирующих смещений.
Возможность определить пользовательский критерий и даже использовать такой критерий с его непрозрачной методологией повлекла за собой возможность сократить парсинг или, как минимум, анализ результатов в Excel, Python, R или собственном программном обеспечении для получения наилучшего сочетания параметров.
Проблема в том, что в опубликованных пользовательских критериях до сих пор нередко можно встретить использование return(0). Это чревато реальными или потенциальными рисками, включая возможность сброса (вряд ли) нежелательных результатов, или еще хуже — отклонить процесс генетической оптимизации от потенциально продуктивных путей.
В попытке вернуться к некоторым первоосновам и проведя несколько очень эмпирических экспериментов, я попытался найти некоторые уравнения кривых. Для этого я просмотрел статью «Activation Functions in Neural Networks» и кое-что из нее использовал здесь с некоторыми изменениями. Кроме того, разобравшись с этим, я предложил некоторые методы для практической реализации.
Вот план этой серии статей:
Введение и стандартные функции активации при помощи MQL5-кода
Модификации, масштабирование и взвешивание, а также примеры из реальной практики
Инструмент для использования различных кривых, масштабирования и взвешивания
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Новый подход к пользовательским критериям при оптимизациях (Часть 1): Примеры функций активации:
Возможность определить пользовательский критерий и даже использовать такой критерий с его непрозрачной методологией повлекла за собой возможность сократить парсинг или, как минимум, анализ результатов в Excel, Python, R или собственном программном обеспечении для получения наилучшего сочетания параметров.
Проблема в том, что в опубликованных пользовательских критериях до сих пор нередко можно встретить использование return(0). Это чревато реальными или потенциальными рисками, включая возможность сброса (вряд ли) нежелательных результатов, или еще хуже — отклонить процесс генетической оптимизации от потенциально продуктивных путей.
В попытке вернуться к некоторым первоосновам и проведя несколько очень эмпирических экспериментов, я попытался найти некоторые уравнения кривых. Для этого я просмотрел статью «Activation Functions in Neural Networks» и кое-что из нее использовал здесь с некоторыми изменениями. Кроме того, разобравшись с этим, я предложил некоторые методы для практической реализации.
Вот план этой серии статей:
Автор: Andrew Thompson