文章 "在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）" - 页 5

新评论
 
sealdo:

你好，亲爱的论坛成员！

这篇文章非常有趣！我也在尝试使用 SOM 代码。

有谁能告诉我，如何更方便地计算 BMU 周围区域的结果（为清楚起见，用蓝色圈起来），同时考虑到与 BMU 的距离？

有人找到解决方案了吗？我刚刚看到这篇文章。我和您一样表示感谢。关于问题
 
Rosh:
您的意思是代码在 Java 中执行得更快吗？请附上您的资料以供比较，这很有意思。
Java 代码不执行（不解释），而是预先编译成机器代码（JIT 编译），然后再执行这些机器代码。因此，纯 Java 应用程序运行速度快并不奇怪。
 
Alexey_74:
有人找到解决方案了吗？现在才发现这篇文章。我会和你一起感谢我的。还有这个问题。
谢谢大家。解决方案已经找到了。而且，我自己也找到了，我自己也很惊讶，原来这一切是如此简单....。再次感谢作者的文章。
 

我在上次评论 5 年后发表的评论.....

为什么我没有看到关于训练集和控制集的故事？文章引用了使用某种颜色系统的历史分析，但在 "机器学习 "这个短语中，关键词是 "训练"，而且是为了在未来时段进行交易。

简而言之，为什么要进行这种复杂的历史分析？您可以运行优化，看看哪个时段和哪个移位的测试结果更好。

 
Evgeniy Scherbina:

为什么我没有看到关于训练集和控制集的故事？文章使用某种颜色系统进行了历史分析，但在 "机器学习 "这个短语中，关键词是 "训练"，而且是为了在未来时段进行交易。

我在讨论这篇文章时也提出了类似的问题https://www.mql5.com/zh/articles/5473。

我研究了有关这个问题的资料，Kohonen 地图很可能只是执行显示多维数据的任务，而不是用于数据分析本身。

 
Igor Makanu:

我在这篇文章的讨论中也提出了类似的问题https://www.mql5.com/zh/articles/5473

我研究过有关这个问题的资料，科霍宁地图很可能只是执行显示多维数据的任务，它们本身并不打算用于数据分析

读了这篇文章，我觉得你们两个（你们三个？

我认为任何出版物都有权利这样做，但这里没有描述神经网络在通常意义上做了什么--在 "新 "情况下做出 "新 "决定。这里只有历史分析。这令人费解。

我正在看西蒙-海金（Simon Haykin）的文章，那里有很好的例子。最后还有一些任务，其中就有预测，或者我称之为预报。如果我掌握了窍门，我会就这个问题再写几句。

 
Evgeniy Scherbina:

读了之后，我觉得你们两个（三个？）没有分享到美味的糖果，于是就继续了。

事实并非如此，我再次决定回到 NS，选择落在了 Kohonen 地图上，在谷歌上搜索了相关材料（这个网站被搜索引擎索引得非常好），我熟悉了搜索引擎的所有建议材料。

大约 5 年前，我对这些类型的 NS 很感兴趣，但没有接受过理论培训，现在关于 NS 的知识已经相当丰富了，重新研究 Kohonen 地图的材料会产生很多问题。

我提出了一个具体问题...然后，我没有去寻找真相，而是看到了 "作者的兴趣 "的辩护词，出于某种原因，这些辩护词重复了维基上的文章，没有任何其他支持，除了......嗯，正如您所说，"它一直在继续"--"你是个傻瓜"--"去读吧"。


叶夫根尼-谢尔宾娜：

我看了西蒙-海金的书，里面有很好的例子。最后还有一些任务，其中就有预测，或者我称之为预测。如果我想明白了，我会再写几句精髓。

我已经读过了，作为第一本关于 NS 的书，它是最好的，那么我读了多少文献--一半以上的新文献都是从海金那里重印的。


叶夫根尼-谢尔宾娜：

最后还有一些任务，其中包括预测，或者我称之为预测。如果我想明白了，我会再写几句关于本质的内容。

我很乐意和大家讨论这个问题，我一直在寻找这方面的信息！- 它们只是多维数据的美丽展示。

这种 NS 的想法非常诱人，其原理就像电子元件解码器 - 我们输入输入数据的组合，然后在输出端得到一个现成的结果。

经过测试的汉明网络，就像我正在寻找的一样，但是......到目前为止，我已经放弃了 NS - 我开始研究简单的解决方案，这里有一些现成的解决方案https://www.mql5.com/ru/forum/307970/page11#comment_12625353。

 

引用 S. Osovsky 的一句话

"自组织网络也可成功用于预测电力系统的负荷等。本小节将详细介绍如何解决以 24 小时为间隔预测电力系统每小时负荷的问题"。

所以这一切都很好。接下来介绍的这种预测通常一对一地适用于预测外汇交易中的买入、卖出或拒绝行动。

我总是从根本上看问题，我知道如果 Kohonen 卡不能预测，就不会有人称其为神经网络。

 
Evgeniy Scherbina:

我总是从根本上看问题，我知道如果科霍宁的图谱不能预测，就不会有人称它为神经网络。

它们不能，训练的目的是在训练集上部署 NS 权重向量--其结果是对数据进行聚类，但网络本身对其他数据的响应是不存在的--或者说，它会存在，但会产生随机值。


关于根...它的名字不是 Kohonen 网络，而是自组织图（SOM）。


更新： 我认为继续讨论没有意义，因为第二次讨论就沦为维基上的文字，现在又沦为某个 "引用 S. Osovsky "的文字。我同意留在我的推理的俘虏，这是不支持的短语 "SOM科霍宁 "可以预测，和相反 - 他们不能

 
Igor Makanu:

他们不知道如何做到这一点，有一种训练是在训练集上部署 NS 权重向量--其结果是对数据进行聚类，但网络本身对其他数据的响应是不存在的--或者说会存在，但会产生随机值。


关于根...它的名称不是 Kohonen 网络，而是自组织图（SOM）。


更新： 我不认为继续讨论有什么意义，讨论第二次被简化为维基中的内容，现在又被简化为 "引用 S. Osovsky "的内容。我同意留在我的推理的俘虏，这是不支持的短语 "SOM科霍宁 "可以预测，和相反 - 他们不能

人们总是看到自己想看到的东西。
123456
新评论