sinir ağı ve girişler - sayfa 37
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
Okuduğunuz materyallere bakılırsa Hartley dönüşümünü gerçekten seviyorsunuz. Nedenini merak ediyorum? Bu tercihinize yorum yapamam ama bence çok zor. Serinin trend/mevsim olarak ayrıştırılmasını kullanmak, her biri için ayrı ayrı tahmin yapmak ve toplamı grafiğe döndürmek bana daha kolay geliyor.
BENİM NACİZANE FİKRİME GÖRE.
Yukarıda zaten bir sinir ağının veya sinir ağları topluluğunun, özellikle durağan olmayan bir dizi için tahmin için en iyi model olmadığını yazmıştım.
Bugün daha verimli modeller var.
Bir serinin (regresyon) gelecekteki değerlerini tahmin etmek cezbedici ama nankör bir iştir. Bunun üzerinde somut bir sonuç olmadan çok zaman harcadım.
Şimdi sadece sınıflandırma, sonuç mükemmel.
İyi şanlar.
Okuduğunuz materyallere bakılırsa Hartley dönüşümünü gerçekten seviyorsunuz. Nedenini merak ediyorum?
Şimdi sadece sınıflandırma, sonuç mükemmel.
Hartley için özel bir tercih yok, hayali bir bileşen olmadan kullanımı daha kolay olarak seçtim.
Sınıflandırma güçtür. Sınıflandırmayı eğitim üssünün birkaç parçaya bölünmesine uygulamayı düşünüyorum. her parça kendi sınıfı için.
Deneylerde sinir ağları topluluklarının kullanılması, tahminin doğruluğunu artırma arzusundan kaynaklanıyordu, gelecekte sınıflandırılmış eğitim temellerinde eğitim için toplulukları kullanmayı düşünüyorum.
İlginiz için teşekkürler.
Konunuzda cevaplandı.
" Dışkıda sinir ağları topluluklarının kullanımı ...." Baskı hatası???
İyi şanlar
Numara. Topluluk DT, mlp ve svm'den daha iyidir. RF ve ada rakamları daha fazla verilmiştir ve daha iyidir.
Netlik için, muhtemelen daha basit bir şey almak daha iyidir ...
Diyelim ki klasik Fisher iris ve See-Twist ... + yaklaşık hesaplama süresi ...
(setosa = 1, virginica = 0, versicolor = -1 (diğer değerler atanabilir))
Renk=giriş…siyah=uch(iris türü)1. ekranda...devamı...
Tüm ekran görüntülerinde blue=hesap...pembe=model çıktısı...
%50 grafik=genel örnek...%50=test...
15x15=2-3 saniye
20x20=3-4sn
Mbs (bl komşu yöntemi) = 1 veya daha az sn
3x-skrrl (4-2-1)=20 veya daha fazla saniye
İşte ilginç...
Sıçrama 0'da görülebilir (örneğimizde basit eylemlerle (filtre) kaldırabiliriz
ileride daha ağır bir ns kullanmamak için)
Belki sizde de benzer bir şey olur... buna göre hatanın en kötü hesabı yapılır...
ns için.. gerçekten, R'deki Acc göstergesi nedir ve nasıl hesaplanır, bilmiyorum ve yanılıyor olabilirim...
daha ağır ns...
3x- skrrl (8-4-2)=30 veya daha fazla saniye
daha iyi kesim...
peki, vb...
=======================
Toplam...
1. Farklı algoritmalar kullanarak sınıflandırma problemlerini eşit derecede başarılı bir şekilde çözmek mümkündür2. Problemi çözme zamanı uygulanan algoritmaya bağlıdır
3. "Alındaki" verileri sınıflandırmak için bunun için özel olarak geliştirilmiş algoritmaları kullanmak daha iyidir ...
Netlik için, muhtemelen daha basit bir şey almak daha iyidir ...
Diyelim ki klasik Fisher iris ve See-Twist ... + yaklaşık hesaplama süresi ...
(setosa = 1, virginica = 0, versicolor = -1 (diğer değerler atanabilir))
Renk=giriş…siyah=uch(iris tipi)1. ekranda...devamı...
Tüm ekran görüntülerinde blue=hesap...pembe=model çıktısı...
%50 grafik=genel örnek...%50=test...
İyi. İrisler sınıflandırılacak mı? Konumuzla ilgili spesifik verileri alın ve bir örnek verin.
Süsen üzerinde neden egzersizlere ihtiyacımız var? Başkalarının kedicikler üzerinde eğitim almasına izin verin.
Yöntemlerin avantajları hakkında tartışmak nankör bir iştir. Herkesin kendi tercihleri vardır. Şahsen, bir yöntem seçerken, basit bir öncülden hareket ediyorum - yöntem, herhangi bir ön dönüşüm olmaksızın çeşitli girdi verileriyle (hem sayısal hem de nominal) çalışmalıdır. nedenini açıklayacağım. Çok sayıda girdi verisi ön işleme yöntemi vardır (20'den fazla biliyorum). Ve buna bağlı olarak farklı sonuçlar elde ederiz. Onlar. En uygun girdi veri setini, bu verileri hazırlamanın en uygun yolunu ve bazı kriterlere göre en iyi sonuçları veren en uygun yöntemi seçmek gerekir. Ve eğer birinciden ve sondan kurtulamıyorsak, en azından ikincisinden kurtulmamız gerekiyor.
Kriterle ilgili soruyla ilgili olarak, Doğruluk, belirli bir sınıfa ait doğru sınıflandırılmış vakaların aynı sınıftaki toplam vaka sayısına oranıdır.
İyi şanlar
Şahsen, bir yöntem seçerken, basit bir öncülden hareket ediyorum - yöntem, herhangi bir ön dönüşüm olmaksızın çeşitli girdi verileriyle (hem sayısal hem de nominal) çalışmalıdır . nedenini açıklayacağım. Çok sayıda girdi verisi ön işleme yöntemi vardır (20'den fazla biliyorum). Ve buna bağlı olarak farklı sonuçlar elde ederiz. Onlar. En uygun girdi veri setini, bu verileri hazırlamanın en uygun yolunu ve bazı kriterlere göre en iyi sonuçları veren en uygun yöntemi seçmek gerekir. Ve eğer birinciden ve sondan kurtulamıyorsak, en azından ikincisinden kurtulmamız gerekiyor.
bu yaklaşım için, evet ... rastgele bir orman tam olarak doğru ...
iyi şanslar...
sen korkunç bir insansın
bu yaklaşım için, evet ... rastgele bir orman doğru ...
iyi şanslar...
Random, RandomForest'i kastetmiyor musunuz?