文章 "神经网络变得轻松（第十六部分）：聚类运用实践"
2022.05.30 21:57:27.477 kmeans (WDO$,H1) 800 Model error inf
2022.05.30 22:00:23.937 kmeans (WDO$,H1) 850 Model error inf
2022.05.30 22:04:22.069 kmeans (WDO$,H1) 900 模型错误 inf
2022.05.30 22:08:04.179 kmeans (WDO$,H1) 950 模型错误 inf
2022.05.30 22:10:56.190 kmeans (WDO$,H1) 1000 模型错误 inf
2022.05.30 22:10:56.211 kmeans (WDO$,H1) 调用 ExpertRemove() 函数
如何解决此错误？
data[shift] = NormaliseDouble((open - Rates[bar].low)/100,2)；
data[shift + 1] = NormaliseDouble((Rates[bar].high-open)/100,2)；
data[shift + 2] = NormaliseDouble((Rates[bar].close - open)/100,2)；
data[shift + 3] = NormaliseDouble(RSI.GetData(MAIN_LINE,bar)/100,2)；
data[shift + 4] = NormaliseDouble(CCI.GetData(MAIN_LINE, bar)/100,2)；
data[shift + 5] = NormaliseDouble(ATR.GetData(MAIN_LINE, bar)/100,2)；
data[shift + 6] = NormalizeDouble(MACD.GetData(MAIN_LINE, bar)/100,2)；
data[shift + 7] = NormalizeDouble(MACD.GetData(SIGNAL_LINE, bar)/100,2)；
新文章 神经网络变得轻松（第十六部分）：聚类运用实践已发布：
在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。
为了评估该智能系统的性能，我们取用我们在前一篇文章中训练过，并在前一次测试中用到的 500 个聚类模型对其进行了测试。 训练图形如下所示。
如您所见，训练图非常平滑。 为了训练模型，我采用了 Adam 参数优化方法。 前 20 个世代展示出损失函数逐渐减少，而这伴随着动量累积。 然后，损失函数值显著地急剧下降到某一最小值。 先前获得的监督模型的训练图的损失函数具有明显的转折。 例如，下面是更复杂的关注度 模型的训练图。
作者：Dmitriy Gizlyk