文章 "在算法交易中 Kohonen 神经网络的实际应用。 第 I 部分 工具"
今后，我们将使用 CSOMDisplay 来完成选择专家最佳参数的任务，并使用 CSOM 来进行预测。
不幸的是，我已经完全忘记了这个主题。阅读链接上的文章也没有任何理解。
假设有三个输入参数需要优化。Kohonen 做了聚类并进行了可视化。找到最优参数有何便利之处？
我完全不懂预测。如果可能的话，也请给我一个简要的想法。
今后，我希望能看到这样一个实际例子。
我们在智能交易系统中引入一些额外的输入参数。并评估其对其他参数的依赖性。
fxsaber:
假设有三个输入参数已经优化。Kohonen 进行了聚类和可视化。找到最优参数有什么方便之处？
我完全不懂预测。如果可能的话，请简要介绍一下您的想法。
通常情况下，优化会提供大量可选方案，但却无法对其稳定性做出估计。第二篇文章试图借助Kohonen 地图，部分从视觉上、部分从算法上解决这些问题。这篇文章已被送去验证。
fxsaber:
我们在 Expert Advisor 中引入了一些额外的输入参数。并评估其对其他参数的依赖性。
Kohonen 允许我们以地图的形式直观地实现这一点。如果我们讨论的是单个数字，那么这适用于其他方法。
Stanislav Korotky:
也许第二部分会提供一些答案。如果数据分布规律得以保留，就应该具有稳定性。为了控制普遍性，建议使用验证抽样来选择地图大小和/或训练持续时间。
第二部分将提供一些使用案例。
是的，对不起，我没注意到已经有了通过验证抽样来停止的方法。那我们就等着看例子吧，有意思:)
澄清/增补：到目前为止，移植到 MQL5 的 ALGLIB 版本已经提供了聚类分层聚类 - 参见文件MQL5/Include/Math/Alglib/dataanalysis.mqh 中的ClusterizerRunAHC。
新文章 在算法交易中 Kohonen 神经网络的实际应用。 第 I 部分 工具已发布：
本文依据之前发表文献中所介绍的思路，开发在 MetaTrader 5 中运用 Kohonen 映像。 改进并强化的类提供了解决应用程序任务的工具。
在继承的源代码中，未使用输入数据常规化。 不过，在输入矢量的不同分量（特征）有不同数值范围的情况下，它会非常重要。 这是 EA 的优化结果，并汇集不同指标数据的情况。 至于优化结果，我们可以看到，有数十万的总利润其数值较小，例如锋锐比率的分数，或恢复因子的一位数值。
您不应该使用这种不同规模的数据来教育 Kohonen 网络，因为网络实际上只考虑较大的分量而忽略较小的分量。 您可以在下面的图像中看到这一点，此图利用我们在本文中逐步深入研究的程序获得，该程序附加在文章末尾。 该程序允许生成随机输入矢量，其中三个分量分别定义在 [0, 1000]，[0,1] 和 [-1, +1] 范围内。 特殊输入 UseNormalization 允许启用/禁用常规化。
我们来看看 Kohonen 网络的最终结构，它处在与矢量三维相关的三个平面上。 首先，网络学习结果未经常规化。
Kohonen 网络学习结果未经输入常规化
现在，同例经过常规化。
Kohonen 网络输入常规化的学习结果
作者：Stanislav Korotky