r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 -A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A * B * C * p7
r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 - A) * B * C * p3A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A * B * C * p7
r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 -A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A * B * C * p7
看了一下文件，有8个系数的输入是23，即有一个神经元在3个输入下工作。我猜想，你的程序需要花24小时来计算100个输入中的哪3个输入，以提供给这个神经元。我以为神经元被扩大到至少10个输入...
是的，这是个艰难的选择，只剩下几个了 :)
，我给了你一个他的网站的链接，有一个模型的描述。我甚至不知道如何描述它，它说的是核机+矢量机。这比mt5版本更复杂，用对手训练而不是在优化器中选择权重，但结果是我们对每个预测器有相同的权重。
据我所知，参考向量法是 用来在多维空间中建立与所有训练集点距离最大的超平面，从而将空间分为 "是 "和 "非 "两个类别。吐出的内核转换。因此，优化器需要非常长的时间来计算。 它不是一个神经元来训练它，它是一个人工智能系统，除了训练之外，还做了大量的转换和对数据的蛮力。这就是为什么它需要这么长时间。这有点让人沮丧。但话说回来，你怎么能在5秒内将一个足够的模型推向市场呢????。我不知道 :-(
据我所知，参考向量的方法被使用，当在多维空间中，人们构建这样的超平面，它最大限度地远离训练集的所有点，从而将空间划分为 "是 "和 "不是 "两个类别。吐出的内核转换。因此，优化器需要非常长的时间来计算。 它不是一个神经元来训练它，它是一个人工智能系统，除了训练之外，还做了大量的转换和对数据的蛮力。这就是为什么它需要这么长时间。这有点让人沮丧。但话说回来，你怎么能在5秒内将一个足够的模型推向市场呢????。我不知道 :-(
至少，正如上面已经写过的那样--不要把一堆预测器塞进去，反正会把它们都淘汰掉的 :)
看了一下文件，有8个系数的输入是23，即有一个神经元在3个输入下工作。我猜你的软件是在一夜之间计算出100个输入中的哪3个输入来给这个神经元供电。我以为，神经元至少要扩展到10个输入...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
不是你理解错了，有2个网格，每个网格有8个输入，然后两个网格的结果都按前面的描述进行解释。如果两个人都说是，那么就是，如果不是，那么就是，如果混合，我不知道......像这样.....
艰难的...是否有可能从3个输入中预测一些东西？
我认为你在错误的地方浪费了时间，如果RNN要扩展到10或100个输入，那么你可以花24小时来训练它。而现在，你正在浪费你的时间来筛选条目。而不是在训练上。
不是你误解了什么，有2个网格，每个网格有8个输入，然后两个网格的结果都按前面的描述解释。如果两个人都说是，那么就是，如果不是，那么就是，如果混合，那么我不知道......像这样.....
8是输入和输出之间的联系系数，有3个输入（8=23）。
更确切地说，是规则的系数。
r0 = (1 - A) * (1 - B) * (1 - C) * p0
而且只有3个输入 - A、B和Cr1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 -A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
艰难的...是否有可能从3个输入中预测一些东西？
我认为你在错误的地方浪费了时间，如果RNN要扩展到10或100个输入，那么你可以花24小时来训练它。而现在，你正在浪费你的时间来筛选条目。而不是在训练上。
因为那里的最新版本使用了一个2ns的委员会，然后将结果进行比较
因为最后一个版本使用的是2ns的委员会，然后将结果进行比较
我想把神经元扩大到10个输入...
但我需要添加高达1024的规则。
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
.....
r1023 =
至少，如上文所述，你不应该把一堆预测器放进去，反正都会被淘汰掉 :)
我准备在这里争论。这是从实践中来的。我在使用优化器期间观察到的情况。
如果列比行少，输入的数量就会变得比网络多项式 的条件大小 小。
如果列数和行数相等，则输入的数量和多项式的大小大致相同。
如果列数多于行数，多项式的大小就会小于输入数。
换句话说，有必要使列和行的数量大致相等。然后用足够数量的输入得到多项式，其大小大约等于输入的数量。
换句话说。文件越大，模型的多参数性就越强。输入的数量和多项式的大小都在增加，这表明模型变得更加智能。如此下去。
另外，当多次运行同一个文件时，输入参数的集合总是不同的。这是由于在分割过程中对样本进行了随机分割。但是，如果我们运行一个相同的文件，得到绝对不同的模型，它们仍然会有相同的工作，至少它们应该如此。这是对给定文件中哪条鱼的答案。如果它在不同的运行中有所不同，这意味着数据与输出没有关系。像这样....
8是输入和输出之间的联系系数，有3个输入（8=23）。
更确切地说，是规则的系数。
r0 = (1 - A) * (1 - B) * (1 - C) * p0
只有三个输入--A、B和C。r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 -A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
你说的是什么耦合系数？这里有一个使用的输入列表，在每个多项式之前，你在那里看到的是归一化，有8个输入描述，请看下面文件的最底部。
//变量x0: Del
//变量 x1: Del1
//变量 x2: VDel
//变量 x3: VDel1
//变量 x4: VDel6
//变量x5: ST5
//变量x6: VAD11
//变量x7: VVolum4
三大投入在哪里?????当他们有八个人的时候。
你引用的例子来自雷舍托夫的另一项工作，与优化器没有关系。