使用神经网络搜索任意模式 - 页 4 12345678910 新评论 Mihail Marchukajtes 2019.09.03 18:02 #31 Dmitry Fedoseev: 只有分类。网络学会了区分情况（图像），但它不能知道在哪种情况下该做什么，也不知道该怎么称呼哪种图像。 你完全糊涂了，你在误导人们。分类可以是有教师或无教师。如果我们用老师教网络，作为一项规则，输出变量由0和1组成，在这种情况下，输出变量是一个行动呼吁。(0卖1买），网络将尝试把输入向量分成这两类。更确切地说，它将尝试把每个输入向量分配给一个或另一个类别。Taks....这个向量属于1，而这个向量属于0。 在没有教师的情况下进行教学，意味着初始设置了 "班级数量 "参数。假设有一个1000个条目的样本，为我把它们分成两个类，一个类将是0，另一个类自然是1。根据数据的距离，把它们散成两堆就可以了。毕竟，如果你把输入矢量想象成多维空间中一个点的坐标，那么点与点之间的距离基本上就决定了两个各有500个点的云的分组情况。不要试图想象多维空间。想象一下三维空间。普通。因此，我们有一个需要划分的点云。 在第一种情况下，我们强行将其分割，使网络响应尽可能接近目标函数，同时尽量接近目标函数，并试图阻碍优化。也就是说，任何云状的点都可以根据需要进行分割，只要改变它们的颜色就可以了。如果我们在它们之间画一个超平面，把零放在平面的右边，把一放在左边，那么那些卖出0时导致的利润和买入1时导致的利润就是另一回事了。作为一个例子。 在第二种情况下，当学习是在没有老师的情况下进行的，我们只是直截了当地将这些点分成红色和蓝色，仅仅是通过它们在多维空间中相互之间的接近程度。另外，这个方法有一个选项，我们不指定将样本分成多少个类，网络本身决定了样本中有多少个类，类的数量将是优化的 一个重要结果。我刚刚想明白了。以下是我想向你展示的内容。假设优化器将我们的1000个向量分成5个类别。我们应该如何对待他们？呼和浩特的呼和浩特？现在ta daaaaaaaa....好吧，有种大张旗鼓的感觉，只是你听不到而已 :-) 一旦我们有了这5个类，我们就需要对它们进行手动分类，哪个云去哪里。如何做到这一点。首先，我们应该为每个云检查一个类，然后为另一个类检查，并检查错误较少的云。而如果你考虑到二元分类中有四个类别，我会非常冷静地把优化结果解释为行动的指令，并像这样。 这两种方法的区别只是在一种方法中，行动指令是在优化前准备的，而在另一种方法中，它是在优化后准备的。而且你可以试着找出哪一个更好。So....我想到了这个.... Dmitry Fedoseev 2019.09.04 01:19 #32 Mihail Marchukajtes: 你很困惑，你在误导人们。分类可以是有老师的，也可以是没有老师的。 是啊...首先，"enter "是用转折词拼写的。2 - 如果所有母牛都有角，而麋鹿也有角，它就不会成为母牛。 手动 "这个词也是有连词的。而这个 "用手 "与 "老师 "的情况类似。这是相同的，只是从不同的角度。没有老师，那只是分类。 将分类表示为空间中的点群以及它们的接近程度不是这里的重点，价格的实际值也不是这里的兴趣所在。这里的分类是以一种不同的方式进行的。 一般说来，我是说神经元不能独立思考，它们根本无法思考。要使神经网络发挥作用，必须对其进行教育。而要教他们，你需要输入-输出（条件-结果）对。 总之，"有老师 "和 "无老师 "的说法已经过时了。和老师一起教学可以实现自动化。而 "无师自通 "的学习只是一个耐人寻味的短语，对容易受骗的天性而言。 Dmitry Fedoseev 2019.09.04 01:28 #33 Mihail Marchukajtes: ... 这两种方法的唯一区别是，在一种方法中，行动指令是在优化之前准备的，而在另一种方法中是在优化之后。好吧，试着弄清楚哪一个是正确的。So....这让我想起了.... 给你。 Реter Konow 2019.09.04 22:03 #34 Vladimir Simakov:正是如此。首先，你必须为它准备100500个不同的 "头和肩 "的例子，并在这些例子上教它。实际上，价格模式可以用数学来描述， 你不需要NS来做这个。但试图找到错误模式的迹象，正是国家统计局的任务。 然而有争议的是。如果我们在一个模式中有3-4个小节，那么它是可以的，但如果我们有几十个小节？数学在这里如何帮助我们？ 目前还不清楚一个神经元组是如何改变一个图案的 "视线焦点 "的。例如，"艾略特波浪"模式由五个波浪组成，每个波浪都是一个独立的模式。在一个大图案中，有可能看到各种小形状。 也许，如果一个神经网络被训练成可以看到所有种类的图案，它可以将一个图案分解成许多形状，并将许多形状组装成一个共同的图案？还是说这超出了技术能力？ Реter Konow 2019.09.04 22:25 #35 给行家的问题：能否教一个神经网络来扩展 "视图"，在各种形式之间移动，将它们总结为更大的形式，并将它们划分为更小的形式，像人类那样持续地识别？ Алексей Тарабанов 2019.09.04 22:36 #36 Реter Konow: 不过，值得商榷。如果一个图案中有3-4个小节，那还可以，但如果有几十个小节？什么样的数学会有帮助？ 因此，模式识别算法应该不受条数 的影响。这很容易解决。 Алексей Тарабанов 2019.09.04 23:01 #37 Реter Konow: 给行家的问题：能否教一个神经网络来扩展 "视图"，在各种形式之间移动，将它们概括为更大的形式，并将它们分成更小的形式，像人类那样持续识别？ 你个人是否了解一个人是如何做到的？ Реter Konow 2019.09.05 10:48 #38 Алексей Тарабанов: 所以模式识别算法必须不受条数 的影响。这是很容易解决的。 这是一种数学方法，而不是一种可以从任何数量的条形图中检测出复杂模式的算法。我自己也试过，但我无法从数学上确定超过4条的模式。 你说的 "数学上 "是什么意思？在一组条件中比较OCHL参数的值，并列出它们之间关系的变体： if(Oren[1] > Close[2] && ...) pattern = HEAD_N_SHOWLDERS。 Реter Konow 2019.09.05 11:01 #39 Алексей Тарабанов: 你个人是否了解一个人是如何做到的？ 我就是这么写的，他就是这么做的。始终如一地通过缩放视线的焦点来识别形式。顺便说一下，人们以同样的方式操作信息。始终如一地对意义进行抽象和详细说明。 Vladimir Simakov 2019.09.05 14:12 #40 Реter Konow: 我说的是一种数学方法，而不是一种据说可以从任何数量的条形图中确定复杂模式的算法。我自己也试过，但我无法从数学上识别超过4个小节的模式。 你说的 "数学上 "是什么意思？在一个复合条件内比较OCHL参数的值，并列出其关系的变体： if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS。 彼得。我认为对你来说，"数学 "一词在学校课程中就结束了？所以那里有很多东西，包括算法。 12345678910 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
只有分类。网络学会了区分情况（图像），但它不能知道在哪种情况下该做什么，也不知道该怎么称呼哪种图像。
你完全糊涂了，你在误导人们。分类可以是有教师或无教师。如果我们用老师教网络，作为一项规则，输出变量由0和1组成，在这种情况下，输出变量是一个行动呼吁。(0卖1买），网络将尝试把输入向量分成这两类。更确切地说，它将尝试把每个输入向量分配给一个或另一个类别。Taks....这个向量属于1，而这个向量属于0。
在没有教师的情况下进行教学，意味着初始设置了 "班级数量 "参数。假设有一个1000个条目的样本，为我把它们分成两个类，一个类将是0，另一个类自然是1。根据数据的距离，把它们散成两堆就可以了。毕竟，如果你把输入矢量想象成多维空间中一个点的坐标，那么点与点之间的距离基本上就决定了两个各有500个点的云的分组情况。不要试图想象多维空间。想象一下三维空间。普通。因此，我们有一个需要划分的点云。
在第一种情况下，我们强行将其分割，使网络响应尽可能接近目标函数，同时尽量接近目标函数，并试图阻碍优化。也就是说，任何云状的点都可以根据需要进行分割，只要改变它们的颜色就可以了。如果我们在它们之间画一个超平面，把零放在平面的右边，把一放在左边，那么那些卖出0时导致的利润和买入1时导致的利润就是另一回事了。作为一个例子。
在第二种情况下，当学习是在没有老师的情况下进行的，我们只是直截了当地将这些点分成红色和蓝色，仅仅是通过它们在多维空间中相互之间的接近程度。另外，这个方法有一个选项，我们不指定将样本分成多少个类，网络本身决定了样本中有多少个类，类的数量将是优化的 一个重要结果。我刚刚想明白了。以下是我想向你展示的内容。假设优化器将我们的1000个向量分成5个类别。我们应该如何对待他们？呼和浩特的呼和浩特？现在ta daaaaaaaa....好吧，有种大张旗鼓的感觉，只是你听不到而已 :-)
一旦我们有了这5个类，我们就需要对它们进行手动分类，哪个云去哪里。如何做到这一点。首先，我们应该为每个云检查一个类，然后为另一个类检查，并检查错误较少的云。而如果你考虑到二元分类中有四个类别，我会非常冷静地把优化结果解释为行动的指令，并像这样。
这两种方法的区别只是在一种方法中，行动指令是在优化前准备的，而在另一种方法中，它是在优化后准备的。而且你可以试着找出哪一个更好。So....我想到了这个....
你很困惑，你在误导人们。分类可以是有老师的，也可以是没有老师的。
是啊...首先，"enter "是用转折词拼写的。2 - 如果所有母牛都有角，而麋鹿也有角，它就不会成为母牛。
手动 "这个词也是有连词的。而这个 "用手 "与 "老师 "的情况类似。这是相同的，只是从不同的角度。没有老师，那只是分类。
将分类表示为空间中的点群以及它们的接近程度不是这里的重点，价格的实际值也不是这里的兴趣所在。这里的分类是以一种不同的方式进行的。
一般说来，我是说神经元不能独立思考，它们根本无法思考。要使神经网络发挥作用，必须对其进行教育。而要教他们，你需要输入-输出（条件-结果）对。
总之，"有老师 "和 "无老师 "的说法已经过时了。和老师一起教学可以实现自动化。而 "无师自通 "的学习只是一个耐人寻味的短语，对容易受骗的天性而言。
...
这两种方法的唯一区别是，在一种方法中，行动指令是在优化之前准备的，而在另一种方法中是在优化之后。好吧，试着弄清楚哪一个是正确的。So....这让我想起了....
给你。
正是如此。首先，你必须为它准备100500个不同的 "头和肩 "的例子，并在这些例子上教它。
实际上，价格模式可以用数学来描述， 你不需要NS来做这个。但试图找到错误模式的迹象，正是国家统计局的任务。
然而有争议的是。如果我们在一个模式中有3-4个小节，那么它是可以的，但如果我们有几十个小节？数学在这里如何帮助我们？
目前还不清楚一个神经元组是如何改变一个图案的 "视线焦点 "的。例如，"艾略特波浪"模式由五个波浪组成，每个波浪都是一个独立的模式。在一个大图案中，有可能看到各种小形状。
也许，如果一个神经网络被训练成可以看到所有种类的图案，它可以将一个图案分解成许多形状，并将许多形状组装成一个共同的图案？还是说这超出了技术能力？
不过，值得商榷。如果一个图案中有3-4个小节，那还可以，但如果有几十个小节？什么样的数学会有帮助？
因此，模式识别算法应该不受条数 的影响。这很容易解决。
给行家的问题：能否教一个神经网络来扩展 "视图"，在各种形式之间移动，将它们概括为更大的形式，并将它们分成更小的形式，像人类那样持续识别？
你个人是否了解一个人是如何做到的？
所以模式识别算法必须不受条数 的影响。这是很容易解决的。
这是一种数学方法，而不是一种可以从任何数量的条形图中检测出复杂模式的算法。我自己也试过，但我无法从数学上确定超过4条的模式。
你说的 "数学上 "是什么意思？在一组条件中比较OCHL参数的值，并列出它们之间关系的变体： if(Oren[1] > Close[2] && ...) pattern = HEAD_N_SHOWLDERS。
你个人是否了解一个人是如何做到的？
我说的是一种数学方法，而不是一种据说可以从任何数量的条形图中确定复杂模式的算法。我自己也试过，但我无法从数学上识别超过4个小节的模式。
你说的 "数学上 "是什么意思？在一个复合条件内比较OCHL参数的值，并列出其关系的变体： if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS。