Класс CNetPNN реализует вероятностную нейронную сеть (Probabilistic Neural Network - PNN). Создание сети объявляется параметрическим конструктором класса. Нумерация классов(целей классификации) начинается с нуля и должна быть непрерывна. Например, если задано 3 класса, то номера классов должны быть: 0, 1, 2. Обучение сети осуществляется вызовом...
实际上，所有的东西都必须用C++/C#编写，与任何东西互动都没有问题。问题是，DM的主要库是Python和R，这至少是需要掌握的。而且互动也没什么，到处都有API（除了MQL）。你至少可以通过RAM-磁盘传输文件。
是的，这是正确的，这没有问题。
问题是你需要在MO扎下多深的根，在哪个阶段明白这些模式已经足够了......
我现在已经确定了经典，一切对我来说都足够了......我并不追求1-10%的准确率：）现在我专注于策略，很多想法已经写出来了--我需要测试这一切，这很难。
我正在研究PNN的细节--他们用概率值工作，不怎么重新训练。
尤拉，你真的很了不起!))在MQL论坛上这样说话。现在你的同志们会跑过来，向你扔石头。
我也只用MQL来开仓/平仓订单。所有的计算都在Wissima中进行。这是唯一一个我们有或多或少的专业物理学家和数学家的论坛，这就是我在这里的原因。在其他的网站上，他们只是村里的白痴。
亚历山大，你可能对这个话题感兴趣 :)
通过核函数近似概率密度函数的方法与径向基函数方法非常相似，因此我们自然而然地得出了概率神经网络（PNN）和广义回归神经网络（GRNN） 的概念（Speckt 1990, 1991）。PNN是为分类任务设计 的，GRNN是 为回归任务 设计的。这两种类型的网络是内核逼近方法的实现， 被框定 为神经网络。
亚历山大，你可能对这个话题感兴趣 :)
通过核函数近似概率密度函数的方法与径向基函数方法非常相似，因此我们自然而然地得出了概率神经网络（PNN）和广义回归神经网络（GRNN） 的概念（Speckt 1990, 1991）。PNNNs用于分类任务，GRNNs用于回归任务。这两类网络是内核逼近方法的实现，被设计 成神经网络。
是的。谢谢你，马克西姆!
但是，我们必须记住--读得多的人，会变得不适合自己思考。(c)而且我没有这么说。猜猜是谁？）
也有这样的意见。
人们在停止阅读时就停止了思考。 狄德罗
Maxim其实很好。有时我对他的前景感到惊讶。但你必须记住--经常阅读的人脱离了习惯，会自己思考。猜猜是谁？）
也有这样的意见。
人们在停止阅读时就停止了思考。 狄德罗
我同意。但这个链接很有意思--我有时间就会读。我现在很忙--我看到地平线上的圣杯，在我岳父有力的双手推动下，我向它前进。
寻找，你们就会找到。(с)
但这次不是。
马克西姆实际上是非常好的。有时我对他的观点感到惊讶。但请记住--经常阅读的人脱离了习惯，会自己思考。猜猜是谁？）
是的，我只是翻阅了各种文章，看看在这个问题上有什么有趣的东西 :)那么，与MLP相比，我的理解是，主要的优势是速度和最小设置（这里根本没有），而且这些网格几乎不需要重新训练。
好了，高斯的F力被用来代替stydent的。对于每个输入，创建一个顶点密度fie，然后对输出的结果进行线性求和。
顺便说一下，PNN和GRNN都有mql格式，但我还没有试过，也没有和MLP比较过。
https://www.mql5.com/ru/code/1323