Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1966
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
попробую..
Посмотри на ютубе ролики вводные.
да, так и делаю))
да, так и делаю))
Понимание пришло бы быстрее, если бы пособие было написано без ошибок:
Слой кластеров представляет собой нейронную сеть Кохонена векторного квантования (LVQ). Слой кластеров группирует результаты работы дендритов согласно стандартному алгоритму LVQ. Напомним, что LQV реализует обучение без учителя в online режиме.
Во первых буквы в аббревиатурах перепутаны (правильно LVQ), во вторых это метод обучения С УЧИТЕЛЕМ
а метод без учителя называется VQ (vector quantizatinon), тогда скорее всего он стоит в нейроне, а не LVQ.
Важно отметить, что LQV-подсеть сохраняла память о предыдущих входных сигналах в виде памяти о последних выходах LQV-нейронов. Поэтому нейронной сети было доступно больше информации, чем непосредственно подавалось на ее вход.
это не понимаю пока. Скорее всего имеются в виду эти связи выходов подсети, которые идут обратно в нейроны. Они как раз сохраняют инфу о прошлых действиях
Т.е. память сохраняет LQV подсеть.
Понимание пришло бы быстрее, если бы пособие было написано без ошибок:
Слой кластеров представляет собой нейронную сеть Кохонена векторного квантования (LVQ). Слой кластеров группирует результаты работы дендритов согласно стандартному алгоритму LVQ. Напомним, что LQV реализует обучение без учителя в online режиме.
Во первых буквы в аббревиатурах перепутаны (правильно LVQ), во вторых это метод обучения С УЧИТЕЛЕМ
а метод без учителя называется VQ (vector quantizatinon), тогда скорее всего он стоит в нейроне, а не LVQ.
хз.. Я читал 4 раза так и не вкурил, может там учитель - подкрепление?
+ там еще голосование идет от слоев
Важно отметить, что LQV-подсеть сохраняла память о предыдущих входных сигналах в виде памяти о последних выходах LQV-нейронов. Поэтому нейронной сети было доступно больше информации, чем непосредственно подавалось на ее вход.
это не понимаю пока. Скорее всего имеются в виду эти связи выходов подсети, которые идут обратно в нейроны. Они как раз сохраняют инфу о прошлых действиях
Т.е. память сохраняет LQV подсеть.
Ну да, память в LQV в виде последних выходах LQV-нейронов , но это же как я понимаю память всего на один шаг назад..
А как же эта фантастическая аналогия с чайником и кофе ? Вот это и есть весь грааль..
Он тебе так ниче и неотписал?
Блин интересно где такому учат вообще, ето уже кибернетика по ходу, робостроение , ии...
ДатаСайнтисты это просто физруки в этом институте технологий )))
==============================================================
есть еще и динамический LVQ - - dlvq
https://www.rdocumentation.org/packages/RSNNS/versions/0.4-2/topics/dlvq
Подробности
dlvq : Входные данные должны быть нормализованы для использования DLVQ.
Обучение в DLVQ: для каждого класса вычисляется средний вектор (прототип) и сохраняется в (вновь созданном) скрытом модуле. Затем сеть используется для классификации каждого шаблона с использованием ближайшего прототипа. Если шаблон ошибочно классифицируется как класс y вместо класса x, прототип класса y перемещается от шаблона, а прототип класса x перемещается в сторону шаблона. Эта процедура повторяется итеративно до тех пор, пока не перестанут происходить изменения в классификации. Затем новые прототипы вводятся в сеть для каждого класса как новые скрытые единицы и инициализируются средним вектором неправильно классифицированных шаблонов в этом классе.
Сетевая архитектура: сеть имеет только один скрытый слой, содержащий по одной единице для каждого прототипа. Прототипы / скрытые блоки также называются векторами кодовой книги. Поскольку SNNS генерирует единицы автоматически и не требует предварительного указания их количества, процедура в SNNS называется динамическим LVQ.
Функции инициализации, обучения и обновления по умолчанию - единственные, подходящие для такого типа сети. Три параметра функции обучения определяют две скорости обучения (для случаев, правильно / неправильно классифицированных) и количество циклов, в течение которых сеть обучается перед вычислением средних векторов.
Ссылки
Кохонен, Т. (1988), Самоорганизация и ассоциативная память, Vol. 8, Springer-Verlag.
=========================================================
Блин читаю про этот LVQ , это практически тот же Кохонен (SOM) только с учителем
https://machinelearningmastery.com/learning-vector-quantization-for-machine-learning/#:~:text=The%20Learning%20Vector%20Quantization%20algorithm,those%20instances%20should%20look%20like.
Кто решал вопрос квантования цифрового ряда с привязкой к целевой? В моем случае это неравномерное "квантование" - процесс автоподстройки под целевую с ограничением минимума цифр в диапазоне или же самого окна в числовом выражении - пока не решил.
Эксперименты с CatBoost показывают, что квантование сильно (в некоторых случаях до 15% акураси) влияет на результат.
Кто решал вопрос квантования цифрового ряда с привязкой к целевой? В моем случае это неравномерное "квантование" - процесс автоподстройки под целевую с ограничением минимума цифр в диапазоне или же самого окна в числовом выражении - пока не решил.
Эксперименты с CatBoost показывают, что квантование сильно (в некоторых случаях до 15% акураси) влияет на результат.
https://cran.r-project.org/web/packages/glmdisc/vignettes/glmdisc.html
пакет для дискретизации (квантования) с учетом целевой
хз.. Я читал 4 раза так и не вкурил, может там учитель - подкрепление?
+ там еще голосование идет от слоев
Ну да, память в LQV в виде последних выходах LQV-нейронов , но это же как я понимаю память всего на один шаг назад..
А как же эта фантастическая аналогия с чайником и кофе ? Вот это и есть весь грааль..
Он тебе так ниче и неотписал?
Блин интересно где такому учат вообще, ето уже кибернетика по ходу, робостроение , ии...
ДатаСайнтисты это просто физруки в этом институте технологий )))
==============================================================
есть еще и динамический LVQ - - dlvq
https://www.rdocumentation.org/packages/RSNNS/versions/0.4-2/topics/dlvq
Подробности
dlvq : Входные данные должны быть нормализованы для использования DLVQ.
Обучение в DLVQ: для каждого класса вычисляется средний вектор (прототип) и сохраняется в (вновь созданном) скрытом модуле. Затем сеть используется для классификации каждого шаблона с использованием ближайшего прототипа. Если шаблон ошибочно классифицируется как класс y вместо класса x, прототип класса y перемещается от шаблона, а прототип класса x перемещается в сторону шаблона. Эта процедура повторяется итеративно до тех пор, пока не перестанут происходить изменения в классификации. Затем новые прототипы вводятся в сеть для каждого класса как новые скрытые единицы и инициализируются средним вектором неправильно классифицированных шаблонов в этом классе.
Сетевая архитектура: сеть имеет только один скрытый слой, содержащий по одной единице для каждого прототипа. Прототипы / скрытые блоки также называются векторами кодовой книги. Поскольку SNNS генерирует единицы автоматически и не требует предварительного указания их количества, процедура в SNNS называется динамическим LVQ.
Функции инициализации, обучения и обновления по умолчанию - единственные, подходящие для такого типа сети. Три параметра функции обучения определяют две скорости обучения (для случаев, правильно / неправильно классифицированных) и количество циклов, в течение которых сеть обучается перед вычислением средних векторов.
Ссылки
Кохонен, Т. (1988), Самоорганизация и ассоциативная память, Vol. 8, Springer-Verlag.
=========================================================
Блин читаю про этот LVQ , это практически тот же Кохонен (SOM) только с учителем
https://machinelearningmastery.com/learning-vector-quantization-for-machine-learning/#:~:text=The%20Learning%20Vector%20Quantization%20algorithm,those%20instances%20should%20look%20like.
У него не LVQ, а VQ
не отвечает
наверное из-за разреженных связей как-то не все нейроны не всегда активны, поэтому память может дольше храниться.. Помимо этого там есть ассоциативная память (какие наборы фичей к какому кластеру принадлежат). Кодовая книга так называемая.
ну это из теории управления все, в унивёрах учат наверное. Оригинальная статья датируется 2015 годом от каких-то китайцев. Нет доступа к ней у меня. Скорее всего эта - уже переделка.
У него не LVQ, а VQ
не отвечает
наверное из-за разреженных связей как-то не все нейроны не всегда активны, поэтому память может дольше храниться.. Помимо этого там есть ассоциативная память (какие наборы фичей к какому кластеру принадлежат). Кодовая книга так называемая.
ну это из теории управления все, в унивёрах учат наверное. Оригинальная статья датируется 2015 годом от каких-то китайцев. Нет доступа к ней у меня. Скорее всего эта - уже переделка.
Получается квантование векторов идет сперва на голых данных, а потом с учетом результата, при этом результат более точным получается. Как минимум фильтр на отрицательный результат появляется. Наборы фичей к разным кластерам, это как разделение ряда на разные стабильные участки.
Получается квантование векторов идет сперва на голых данных, а потом с учетом результата, при этом результат более точным получается. Как минимум фильтр на отрицательный результат появляется. Наборы фичей к разным кластерам, это как разделение ряда на разные стабильные участки.
сложно представить откуда берется длинная память. Например, на предыдущей итерации последний нейрон выдал ноль, приплюсовали его ко входному вектору первого нейрона на след. Итерации. Это + 1 измерение, т.е. поместили признаки в новое пространство, получили более сложное условное состояние, зависящее от предыдущих действий. Первый нейрон отработал, передал единичный вектор в последний. Тот опять вернул 0 или 1 в первый. Допустим, кластера всего 2. Откуда берется память глубже, чем на 1 шаг назад?
Допустим, есть 3-й нейрон, который принимает еще +1 значение. Еще более сложное условное состояние. И так по нарастающей память хранится... сложно представить :)
.........щей память хранится... сложно представить :)
мне еще сложней )
====
ассоциативная сеть
https://www.rdocumentation.org/packages/RSNNS/versions/0.4-2/topics/assoz
Это та же кластеризация , разве нет? а ассоциативный образ это прототип кластера