Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2486
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Michael Marchukajtes
- Çift karar değişkenindeki Sınıflandırıcılarda ne tür çarpanlara sahip olduğunuzu söyleyebilir misiniz - bu ağırlıklar mı? ..
ah, bunlar muhtemelen başlangıçta ayarlanmış olanlardır, bunlar daha sonra öğrenme sürecinde NSnet tarafından kendi kendine ayarlanır... yani. başlangıçta, muhtemelen, rastgele... (ama en azından işaretlerinde herhangi bir mantık var mı?)...
ancak işlevlerde ve sabitlerde işlem mantığı sorusu (neden tam olarak böyle ve işlevler neden böyle) kalır ??
"Ehh... Keşke biri yardım edebilseydi..." ©
Bu üç sınıfı ayırmak için hangi algoritmanın kullanılabileceğini bana söyleme, mavi ile işaretlenmiş sınıf özellikle ilgi çekicidir. Bu köpek iki ayrı parçaya bölünmüş ve ne yazık ki hedef işaretlemeyi nasıl ayıracağımı bilmiyorum böylece sağ ve sol kısımlar ayrılıyor. Belki bir şey tavsiye edebilirsin?
"Ehh... Keşke biri yardım edebilseydi..." ©
Bu üç sınıfı ayırmak için hangi algoritmanın kullanılabileceğini bana söyleme, mavi ile işaretlenmiş sınıf özellikle ilgi çekicidir. Bu köpek iki ayrı parçaya bölünmüş ve ne yazık ki hedef işaretlemeyi nasıl ayıracağımı bilmiyorum böylece sağ ve sol kısımlar ayrılıyor. Belki bir şey tavsiye edebilirsin?
Gözle, iki düz çizgiyle ayrılmış.
Michael Marchukajtes
Kodunuza bakma gücüm/cesaretim var (genellikle kodda tüm ders kitaplarından daha fazla doğruluk vardır) - çift karar değişkenindeki Sınıflandırıcılarda ne tür çarpanlara sahip olduğunuzu söyleyebilir misiniz - bu ağırlıklar mı? . ve onları başlangıçta nasıl buldunuz? onlar. neden böyleler?
veya daha da iyisi - lütfen yorum yapın - hangi değişkenleri kabul ediyor ve işlev kodu
şimdiden teşekkürler!
ps
1. Aktivasyon işlevi olarak bir sigmoid (S-şekilli) kullandığınızı görüyorum... "genellikle bir daralma işlevi olarak kullanılır"...
2.Belki bir kare daha iyi olurdu?
Bu doğru, ağ çözümü dession'da yazılmıştır, farklı yazarsanız, o zaman böyle görünecektir.
Buna matematikte polinom, girdi değeri ile çarpılan bir katsayı artı aktivasyon fonksiyonu ile başka bir girdinin değerleriyle çarpılan başka bir katsayı veya aşağıda gösterildiği gibi girdi değerlerinin toplamı eksi katsayı denir. ve benzeri ...... Sonuç olarak, belirli bir sınıfa karşılık gelen sıfırın üzerinde veya altında bir sayı elde ederiz, ancak AI sistemleri için "Evet" e ek olarak eğitim sınıflandırma yöntemi kullanılır, "Hayır" bir de "Bilmiyorum" yanıtı var. Bu, taahhüt adı verilen bir AI sisteminin parçası olarak iki NS kullanılarak elde edilir. Dikkat çekici bir şekilde, komitenin kendisi genel modelin kalitesini büyük ölçüde iyileştirmemektedir. Yani 5 veya daha fazla modelden oluşan bir komite oluşturmak mantıklı değil, ancak ikisinden eğitimi iyileştirmenin etkisi var.
İşte kod
Giriş değerini normalleştirir, bu, doğrudan denkleme beslenmeden önce polinom için dahili, teknik bir normalleştirmedir. Normalleştirmenin kendisi bir aralığa indirgeme yapar. Yani dizinin oranını değiştirmiyor ve dizinin kendisi mükemmel bir orijinal gibi görünüyor ama aynı zamanda bu normalleşmeden sonra mevcut dizinin maksimum-minimum aralığında yatmaya başlıyor. Genel olarak, bir aralığa indirgeme.
Varlık fonksiyonuna gelince, evet kodu var, çözümün her nöronda lineer olmaması amaçlanıyor! Aslında, bu ağın bir nöronudur.
- 0.13861638107404117 * sigmoid(x0)Bu polinomun 6 nörona sahip olduğunu ve 4 girdi kullandığını hesaplamak zor değil.Michael Marchukajtes
2.Belki bir kare daha iyi olurdu?
Karesini alırsak, değişim oranını, değişkenin ne kadar hızlı değiştiğini elde ederiz ve normal fark bize değişimin derecesini, yani gülümsemenin ne kadar değiştiğinin gerçek değerini verir. Nedense, zaten bir gülümsemeden bahsediyorum ve hala yapamıyorum. Ubuntu'da, asma altındaki ofis sistemi çökertiyor, daha sonra başlatamıyorum, bunun DDE güncellemesi ve kaydından kaynaklandığını düşünüyorum, genel olarak, özellikle sorunlar yüklenmeye başladığında başardım, ancak şanslıydım ve başlatmayı ve bir şekilde düzeltmeyi başardı. Ne, ne ve Linux sistemleri kurtarmada Windows'tan daha güçlüdür. Windows'u geri yükleme olasılığı %5-10 ise, Linux'un geri yükleneceği yaklaşık %30-40'tır. Birkaç yıl önce Linux'a saygı duymaya başladığımda hala saygı duyuyorum :-)
Genel olarak, kullanılan veriler üzerinde mümkün olduğunca az matematiksel değişiklik yapmaya çalışın, birleştirme için maksimum artı, yalnızca değişikliğin işaretini değil, aynı zamanda bu değişikliğin derecesini, ne kadar güçlü olduğunu bulmak için dakikalar, muhtemelen hepsi bu ve ancak o zaman normalleştirin, ortalayın, ölçeklendirin, vb."Ehh... Keşke biri yardım edebilseydi..." ©
Bu üç sınıfı ayırmak için hangi algoritmanın kullanılabileceğini bana söyleme, mavi ile işaretlenmiş sınıf özellikle ilgi çekicidir. Bu köpek iki ayrı parçaya bölünmüş ve ne yazık ki hedef işaretlemeyi nasıl ayıracağımı bilmiyorum böylece sağ ve sol kısımlar ayrılıyor. Belki bir şey tavsiye edebilirsin?
"Ehh... Keşke biri yardım edebilseydi..." ©
Bu üç sınıfı ayırmak için hangi algoritmanın kullanılabileceğini bana söyleme, mavi ile işaretlenmiş sınıf özellikle ilgi çekicidir. Bu köpek iki ayrı parçaya bölünmüş ve ne yazık ki hedef işaretlemeyi nasıl ayıracağımı bilmiyorum böylece sağ ve sol kısımlar ayrılıyor. Belki bir şey tavsiye edebilirsin?
Verilerinizi gönderin, deneyeceğim.
Ben de aynısını denemeyi önermek istedim!
Nedense, zaten bir gülümsemeden bahsediyorum ve hala yapamıyorum.
bu arada, evet, dinamiklerdeki değişimi daha ilginç olacak (hangi seçeneklerin talep nedeniyle fiyatta yükseldiği / düştüğü hakkında bir açıklama ile sanırım) - alternatif olarak, +/ üzerinde eğim çizgisini (esneklik) kullanabilirsiniz. -Delta, merkezi grevden (özellikle Seattle Fut doğrusal regresyonundan daha iyi) ... IMHO (hesaplamaları basitleştirmek için) ... ancak esneklik yoluyla tahmin varyantında, rt'nin katkısının hala bir şekilde nötralize edilmesi gerekiyor .. VE/VEYA seriyi dt üzerinden dinamikte inceleyin - böylece rt değişkeni tarafından getirilen çarpıklık (% *exp'den gün sayısı) çok dikkat dağıtıcı değildi... yine de üstel
********************
Ben tamamen örümcek ağı modeliyle ilgiliyim (c59) Sanırım (denge / dengesizlik arzusu bağlamında) ... modelin matematiği beni korkutuyor
Genel olarak, kullanılan verilerde mümkün olduğunca az matematiksel değişiklik yapmaya çalışın, birleştirme için maksimum artı, eksi sadece değişikliğin işaretini değil, aynı zamanda dereceyi, bu değişikliğin ne kadar güçlü olduğunu bulmak için , muhtemelen hepsi bu ve ancak o zaman normalleştirin, ortalayın, ölçeklendirin, vb.
teşekkürler ... Deneyeceğim, aksi takdirde oranı elde etmek için genellikle her şeyi otomatik olarak bölerim (örn. dinamikleri görmek için yatay perspektifte (aka ile dt)