Bir mayın tarlasında pazar görgü kuralları veya görgü kuralları - sayfa 36
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
Herhangi bir düz çizgi, yataya herhangi bir açıda böyle bir daireye yazılabilir.
Oh iyi!
Gördüğünüz gibi, hiçbirinin altında değil! - Ve bize olan ihtiyacın altında ...
Şimdi öyle görünüyor!
Vaat edilen öğrenme bulutu nerede?
Grafiğe bir ölçek ızgarası asın ve düz çizgi için eğim açısının tanjantına eşit olanı söyleyin.
Bunlar, X'teki beş terimli sinüsün ilk farkından ve Y'deki rastgele ağırlıklarla (başlangıç ağırlık ayarı +/-1) ızgara tahmininin elde edilmesinden elde edilen resimlerdi. Gerisini hala yapıyorum, yakında olacak
Oh iyi!
Gördüğünüz gibi, hiçbirinin altında değil! - Ve bize olan ihtiyacın altında ...
Sonra bitti.
Hazır. Burada, eğitim örneği X vektörü olduğu için yalnızca eğitim örneği eksiktir. Tabii ki, grafik üzerinde çizebilirsiniz, ancak grafiği 45 "açı ile kesen düz bir çizgi olacaktır. Nöron üç örnekte eğitildi:
1. Basit birinci fark 5sin - vektör Y_simpl, yeşil renk (en küçük karelere karşılık gelir)
2. Birinci farkın hipertanjantı 5sin - mavi renk
3. İkili girişler (5sin ile) - mor renk
Doğruların teğetleri şunlardır:
Ve yine de bir şeyler doğru değil. Ya da verdiğiniz görevi anlamadım.
Bu nöron, X veri vektörünün her yeni örneğinde eğitilir, aynı vektör grafiğin x ekseni olarak kullanılır. Eğer onu ordinata getirirseniz ...? Ne için?
Ayrıca aynı verileri içeren çalışma sayfası yeniden hesaplanırsa sonuçların farklı olacağını fark ettim. Böyle mi olması gerekiyor? Onlar. Sonuçlar, ilk terazi ayarlarına çok bağlıdır.
Ayrıca, nöronu her adımda eğitmediğimde, sadece rastgele seçilen başlangıç ağırlıkları ile veri vektörü boyunca çalıştırdığımda, merkezinde bir bulut olan resimler elde ettim (bazen).
Şimdi ne görüyorsan onu alıyorsun. İşte başka bir resim.
Her ihtimale karşı, Matkad listesine yapışıyorum
Hazır. Burada, eğitim örneği X vektörü olduğu için yalnızca eğitim örneği eksiktir. Tabii ki grafiğin üzerine koyabilirsiniz, ancak grafiği 45" açıyla kesen düz bir çizgi olacaktır.
Sinir ağının yalnızca tek bir örneği - n+1 tanımak için eğittiği - n uzunluğunda bir eğitim vektörünüz var. Bir eğitim örneğini (daha kesin olarak, sinir ağının nasıl eğitildiğine dair bir dizi örnek) oluşturan bir N>100 istatistiksel malzeme seti vardır (bu bir eğitim vektörü değil, bunların bir setidir). elimizdeki sinüs serisinden, her seferinde bir sağa ve N'ye kadar sayılarak kaydırılarak elde edilir). Böylece, NN'nin öğrendiği N değerlerimiz var (bunlar öğrenme vektörlerinin n + 1 öğeleridir) ve ayrıca bunları nasıl öğrendiğine dair N değerlerimiz var. Bunları şimdi sırasıyla apsis ve ordinat eksenleri boyunca koyun ve öğrenme sürecini karakterize eden istenen bulutu elde edeceksiniz. Bu bulutun 45 derecelik bir eğime sahip olmayacağı açık. Bu, - w ızgara ağırlıklarının sayısının P=w*w/d eğitim vektörünün optimal uzunluğundan çok daha az olması gerçeğinden ve sonuç olarak NN'nin optimal ağırlıkları bulmak için çözdüğü denklem sisteminden kaynaklanmaktadır. Üstbelirlenmiş ve sonsuz sayıda çözümü vardır. Bu nedenle, tüm denklemler için kare öğrenme hatasının en aza indirilmesi anlamında optimal olan bir yaklaşım aranır. Eğitim vektörünün uzunluğu ağırlıkların sayısına eşit olsaydı, ağ öğreniminin %100'ü beklenebilirdi, ancak bu, ağın gelecekte birikmiş bilgiyi genelleştirme yeteneği açısından optimal değildir ve üzerinde büyük hatalara yol açar. test seti. Doğru şekilde eğitilmiş bir ızgara, "bulut" diyagramında, test örneğinin eğimine yakın eğitim örneğinin eğimini gösterecektir. Tersine, aşırı eğitilmiş ağ, ihmal edilebilir varyanslı eğitim bulutu için 45 derecelik bir açı ve test bulutu için sonsuz varyanslı bir sıfır açı gösterecektir. Tek bir algılayıcı için lineer cebirsel denklemler sistemini tam olarak çözmeye çalışırsak elde ettiğimiz sonuç budur. Bu konuda zaten yukarıda bahsetmiştim. Bu nedenle, ağda hata ayıklarken (MQL'de uygulanamayan) bulut diyagramını kullanmak çok uygundur.
Eğilim açınızın deneyden deneye değişmesi ve hatta olumsuz olması, kız arkadaşınızın kendi gizli hayatını yaşadığını ve eğitim almadığını açıkça gösterir. Bir lobotomiye ihtiyacınız var :-)
PS 2001i MathCad için *.mcd uzantılı cdjb dosyalarını kaydedin, aksi takdirde onları okuyamam.
kontrol edeceğim.
Bu arada, kız arkadaşım 5 sinüs sırasını şu şekilde hesaplıyor:
Bu, gizli katmanda lineer olmayan aktivasyonlu 2 nörona ve çıkışta bir lineer nörona (aktivasyon fonksiyonu olmayan) sahip iki gerçek girişi (sabit önyargıyı saymaz) k = 2 olan iki katmanlı bir sinir ağıdır. . Eğitim örneği kırmızı, test örneği (tahminler) mavi ile gösterilir. Her sayımda yeniden eğitim. İstatistikler - 200 deney. Açıların tanjantları grafik alanında verilmiştir.
Ruhumun sadeliğinden bir çok şey var kodda anlamadım. Ancak, anladığım kadarıyla, aşağıdakiler fikirlerime uymuyor:
S[k] sapmalarının karesi üzerinden tüm eğitim dönemi P boyunca kesinlikle kümülatif bir toplamınız olmalıdır. Gördüğüm sadece değişkenlerin yeniden adlandırılması. Rastgele sayılarla ağırlıkların başlatılması yoktur.
Method() ve ranif()'i nasıl bir altyordamla tanıttığınızı ve nereden izleyeceğimi hala anlamadım?
Kodunuzu kendim için biraz basitleştirdim (dosyaya bakın).
Her şeyi ayrıntılı olarak yorumladı, yol boyunca birkaç hatayı düzeltti.
İşte çizdiği şey:
Dosyayı 11, 12 ve 13 (*.xcmd) şeklinde üç biçimde ekliyorum
Şimdi düzeltmelerinize bakıyorum... Aslında önce düzeltmelere bakıp sonra yorum yapmalıydım... - :)
İki yazı yukarıda yazdıklarınızın üstünde sanırım. Benim için asıl mesele kafamdaki "resmin" geliştiğini anlamak, o zaman her şeyi yapacağım.
Hala tam olarak doğru olmayan resim - "Her adımda öğrenmeyi" yanlış anladım, ancak henüz yenisi yok.