混合神经网络。 - 页 20

[[删除]]

rip >> :

MSE

奇怪的是，当我开始用MSE将这个同样的工具应用于外汇时，它却不起作用。你必须应用一个完全不同的错误，我想。

[RIP]

registred >> :

奇怪的是，当我开始用MSE将这个同样的工具应用于外汇时，它却不起作用。你必须应用一个完全不同的错误，我想。

好吧，哪一个？在跟老师学习的情况下，我认为MSE已经足够了。

[[删除]]

rip >> :

好吧，哪一个？在跟老师学习的情况下，我认为MSE已经足够了。

我正在考虑这个问题。但我可以肯定的是，MSE不是什么好东西。至少对我来说是这样的，原因如上所述。我认为，对于神经网络来说，老师（规则）是错误的，因为它是一个通用的近似器，我们必须以某种方式确定这种近似的程度，近似的质量，考虑到市场的收益率，使序列达到一个更固定的形式，可以说。如果你在这方面有一些想法，我们可以讨论。

[RIP]

registred >> :

我正在考虑这个问题。但我可以肯定的是，MSE不是什么好东西。至少对我来说是这样的，原因如上所述。我认为，对于神经网络来说，老师（规则）是一个错误，因为它是一个通用的近似器，有必要以某种方式确定这种近似的程度，近似的质量，考虑到市场上的收益率，使系列达到一个更固定的形式，可以说。如果你对它有一些想法，我们可以讨论。

如果一个数字可以被带到一个固定的形式，我想就不会有这样的外汇了 :)

[[删除]]

简而言之，人们已经有了成功应用神经网络的 例子，我们需要在这方面的工作更短。

[RIP]

registred >> :

简而言之，人们已经有了成功应用神经网络的例子，我们需要在这方面的工作更短。

为什么有，有的。如果我没记错的话，在2007年，Better以一个概率性的NS获胜。

该网络的任务是预测课程的运动。

[[删除]]

rip >> :

为什么过去有，现在也有。如果我没有记错的话，在2007年的时候，Better只是用概率性的NS赢得了比赛。

该网络的任务是预测课程的运动。

是的，我读到了。概率网络有一个大问题，它对数据中的噪音很敏感。简单地说，它与BackProp和其他迭代方法不同，没有什么经验主义。

[Evgeniy Logunov]

registred писал(а)>>

概率网络有一个大问题，它对数据中的噪音很敏感。

你能详细说明一下吗？我想我在文献中看到过不同的观点。

[Artem Titarenko]

相对于类似的方法（如k-NN），VNS对数据中的噪声不太敏感，但相对于MLP和类似的方法，情况可能会发生逆转...

[[删除]]

lea >> :

你能详细说明一下吗？我想我在文献中看到过不同的观点。

那么那里要调整的参数是什么呢？西格玛？你将如何调整它？你如何找到最佳解决方案？这些都是我不太清楚的问题。另一件事是，对于MLP来说，只有错误的类型是一个基本参数，尽管如此，我还是坚持这样做。当然，MLP会卡在局部最小值中，有一些方法可以对抗它。在任何情况下，MLP的最佳解决方案可能不是通过在许多任务的全局最小值中寻找。如果你已经有了与PNN合作的东西，那是非常好的事情。