脚本形式的神经网络 - 页 3

新评论
 
sprite:
kombat:
这个脚本的逻辑有些类似于简单的4in2扰频器。

扰流板是一个不可训练的系统。

而这个剧本中的网络是可教的。而学习过程在屏幕上以动态的方式显示，从一个纪元到另一个纪元。

你可以看到每一层的神经元的权重是如何变化的，以及随着训练的进行，网格变得越来越精确。

以上是同一算法学习过的三个帖子

来处理三组不同的数据。

在编码器的情况下，每个数据集需要三个编码器。

我对学习算法做了些许调整。

首先动态地改变神经元的数量，就像基因算法 一样，虽然没有选择最好的神经元，也没有从它们中创造出几代人:-)没有校正连接。

2）在达到高精确度的结果时停止学习过程

 
YuraZ:

我对学习算法进行了轻微的微调

1）动态地改变神经元的数量，类似于基因算法，但不选择最好的，也不从它们中产生:-)不纠正连接。

2-当达到较高的结果准确性时，停止学习。



而最终确定的版本将不向公众开放？

 
YuraZ:
精灵。
kombat。
这个脚本的逻辑有些类似于一个简单的4V2编码器

编码器是一个非训练系统。

而网络是在这个脚本中训练的。而学习过程在屏幕上以动态的方式显示，从一个纪元到另一个纪元。

你可以看到每一层的神经元的权重是如何变化的，以及随着训练的进行，网格变得越来越精确。

以上是三个帖子，其中相同的算法学到了

来处理三组不同的数据。

在编码器的情况下，每个数据集需要三个编码器。

我对学习算法做了些许调整。

1）动态改变神经元的数量，类似于基因算法，但不需要选择最好的神经元，也不需要从这些神经元中创造后代:-)不需要纠正连接。

当达到高精确度的结果时，第二次停止训练


我们来了！！！。坚冰已经打破了!:))))

 
Vinin:
YuraZ:

我对学习算法进行了轻微的微调

1）动态地改变神经元的数量，类似于基因算法，但不选择最好的，也不从它们中产生:-)不纠正连接。

2-当达到较高的结果准确性时，停止学习。



是否会有一个面向公众的最终版本？

当然，我想看一看。 也许有人会补充一些其他东西 :)


至于准确性，我不认为那是目标。

其目的是在训练结束时，网络能够区分所有的训练集

彼此之间。而这是有正常精度的。


正如实验所示，这个网络只需要300个历时的训练就能学会 "思考"。

与上述各组。是的，你可以在训练中直观地看到这一点。

网络很快就开始对数据集进行区分。


而如何在测试过程中动态地改变专家顾问的神经元数量，将是很有趣的。

在其中，这个网格将被建立在。以及在MT优化器中要拾取的神经元数量。

[删除]  
Topor:

你如何让它预测价格？

你不能。你不应该期望从神经网络中获得奇迹。进行预测的不是NS，而是内置的算法，算法是基于交易条件的，交易条件....。是由你决定的。

[删除]  
sprite:
Kombat:

不反对，但还不赞成在交易中使用神经网络...

同理 :)!!!

但该算法正在工作和学习 :)然后我们会看到 :)


对网络的兴趣进一步被EA赢得冠军的网络所推动。

当然，我们在那里有一个不同的网络。但这个人做了工作并获得了结果。


问题不在于什么网络，而在于你想从它那里得到什么。而结果的获得不是因为国家安全局，而是因为交易条件，国家安全局组成的交易条件，并给出了某种可能的预测。NS本质上是一个过滤器，它可以是自适应的（自我训练NS），因此有一个滞后（对于学习期）。NS的优点是它可以将你的TS的不同成分合并成一个结果，并独立安排这些成分的显著性比值（学习）。

 
Vinin:
YuraZ:

我对学习算法进行了轻微的微调

1）动态地改变神经元的数量，类似于基因算法，但不选择最好的，也不从它们中产生:-)不纠正连接。

2-当达到较高的结果准确性时，停止学习。


你不会为公众提供一个改进的版本吗？

维克多，会有的。


顺便说一下，预测准确率提高了好几倍！问题是，该算法的训练时间太长了 :-))

我还没有解决这个问题--我一定会把代码贴出来的!

我怀念基于计时器的代码！我在MQL4中没有这样的代码。

 
Xadviser:
托普尔。

你如何让它预测价格？

你不能。你不应该期望从神经网络中获得奇迹。预测不是由NS给出的，而是由纳入其中的算法给出的，算法是基于交易条件的，而交易条件....。是由你决定的。

你是否遇到过任何像样的算法？

关于他们，只有一两句话.

 
Xadviser:
托普尔。

你如何让它预测价格？

你不能。你不应该期望从神经网络中获得奇迹。预测不是由NS给出的，而是由纳入其中的算法给出的，算法是基于交易条件的，而交易条件....。而交易条件是由你定义的。

大师们建议不要预测价格，而是要预测变化。

 
YuraZ:

并不总是需要归一化，谁说网格可能而且必须只对0和1起作用？


我可以附上一个简单的网格和一个例子，（不幸的是现在手头没有材料）--我以后会做的。

其中，一个简单的NN解决了这个问题，而不需要通过归一化进行数据准备

不幸的是，这不是源头


然而，我所举的例子！它是一种已经正常化的
。

该条件有两个范围


1 0-100

2 10-30


你只需要找到一个范围内的位置的比率--已知的是

从本质上讲，这就是缩放。

几乎总是需要规范化。数据必须在激活函数的定义范围内。

在脚本中，sigmoid是[-1;+1]。如果你把它换成，比如说，一个指数......。或平方根。


http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/ActivationFunctions.htm

12345678910...14
新评论