도서관 : 파일을 보니 8개의 계수가 입력되어 있습니다. 이것은 2 3 입니다. 3개의 입력으로 작동하는 뉴런이 있습니다. 나는 당신의 프로그램이 이 뉴런에 적용할 100개의 입력 중 3개를 며칠 동안 고려한다고 믿습니다. 나는 거기에서 뉴런이 적어도 10개의 입력으로 확장되었다고 생각했습니다...
그리고 나는 그의 웹 사이트에 대한 링크를 버렸습니다. 모델에 대한 설명이 있습니다. 어떻게 특성화해야 할지 모르겠는데, 핵기계+벡터기계라고 써있습니다. MT5 버전 + 옵티마이저에서 가중치 선택이 아닌 상대와의 훈련보다 모든 것이 더 복잡하지만 출력은 여전히 각 예측 변수에 대해 동일한 가중치입니다.
내가 아는 한 지원 벡터 방법 은 훈련 세트의 모든 지점에서 최대한 멀리 떨어진 다차원 공간에 이러한 초평면을 구축하여 공간을 "예"와 "아니오"의 두 가지 범주로 나눌 때 사용됩니다. ". 핵 변형을 뱉어냅니다. 따라서 옵티마이저가 매우 오랫동안 고려하는 것은 뉴런을 훈련시키는 것이 아니라 훈련에 추가하여 모든 종류의 변환 및 데이터 검색을 수행하는 AI 시스템입니다. 그래서 너무 길다. 조금 실망스럽습니다. 하지만 다시, 어떻게 5초 안에 시장에 적합한 모델을 얻을 수 있나요???? 모르겠어요 :-(
내가 아는 한 서포트 벡터 머신은 훈련 세트의 모든 지점에서 최대한 멀리 떨어진 다차원 공간에 초평면을 구축하여 공간을 "예"와 "아니오"의 두 가지 범주로 나눌 때 사용됩니다. 핵 변형을 뱉어냅니다. 따라서 옵티마이저가 매우 오랫동안 고려하는 것은 뉴런을 훈련시키는 것이 아니라 훈련에 추가하여 모든 종류의 변환 및 데이터 검색을 수행하는 AI 시스템입니다. 그래서 긴 것입니다. 조금 실망스럽습니다. 하지만 다시, 어떻게 5초 안에 시장에 적합한 모델을 얻을 수 있나요???? 모르겠어요 :-(
글쎄, 적어도 위에 이미 쓰여진 것처럼 - 당신은 그것에 많은 예측 변수를 밀어 넣지 않아야합니다. 어쨌든 그것들을 모두 제거 할 것입니다 :)
파일을 보니 8개의 계수가 입력되어 있습니다. 이것은 2 3 입니다. 3개의 입력으로 작동하는 뉴런이 있습니다. 나는 당신의 프로그램이 이 뉴런에 적용할 100개의 입력 중 3개를 며칠 동안 고려한다고 믿습니다. 나는 거기에서 뉴런이 적어도 10개의 입력으로 확장되었다고 생각했습니다...
무언가를 올바르게 이해하지 못했습니다. 각 8개의 입력에 대해 2개의 그리드가 있으며 두 그리드의 결과는 앞서 설명한 대로 해석됩니다. 둘 다 예라고 하면 예, 아니오라면 아니오, 불화하면 모를까... 뭐 그런 .....
8은 입력과 출력 간의 연결 계수이며 3개의 입력이 있습니다(8 = 2 3 ).
보다 정확하게는 규칙에 대한 계수:
r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 - A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A*B*C*p7
r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 - A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A*B*C*p7
즉, 열과 행의 개수가 거의 같아야 합니다. 그런 다음 충분한 수의 입력과 거의 동일한 수의 입력에 대한 크기를 사용하여 다항식을 얻습니다.
다른 말로 하면. 파일이 클수록 모델이 더 많은 다변수가 됩니다. 입력의 수와 다항식의 크기가 증가하여 모델이 점점 더 똑똑해지고 있음을 나타냅니다. 이 같은.
동일한 파일을 여러 번 실행하더라도 입력 매개변수 집합은 항상 다릅니다. 이는 분할 중 샘플이 무작위로 분할되기 때문입니다. 그러나 동일한 파일을 실행하고 완전히 다른 모델을 얻는다면 여전히 거의 동일한 방식으로 작동합니다. 최소한 그래야 합니다. 이것은 이 파일에서 어떤 종류의 물고기를 도살하느냐는 질문에 대한 답변입니다. 실행할 때마다 데이터가 다르다면 데이터가 출력과 아무 관련이 없다는 의미입니다. 이 같은....
r0 = (1 - A) * (1 - B) * (1 - C) * p0 r1 = (1 - A) * (1 - B) * C * p1 r2 = (1 - A) * B * (1 - C) * p2 r3 = (1 - A) * B * C * p3 r4 = A * (1 - B) * (1 - C) * p4 r5 = A * (1 - B) * C * p5 r6 = A * B * (1 - C) * p6 r7 = A*B*C*p7
그리고 입구는 A, B, C 3개뿐입니다.
예, 연결 계수는 무엇입니까, 무엇을 말하는 것입니까? 다음은 사용된 입력 목록입니다. 각 다항식 앞에 있는 것은 정규화이며 8개의 입력이 있습니다. 여기에 설명되어 있습니다. 파일 맨 아래에서 아래를 보십시오.
//변수 x0: 델
//변수 x1: Del1
//변수 x2: V Del
//변수 x3: Vdel1
//변수 x4: Vdel6
//변수 x5: ST5
//변수 x6: VAD11
//변수 x7: VVolum4
3개의 입구가 어디에????? 여덟 개가 있을 때
가져온 예제는 Reshetov의 다른 작업에서 가져온 것이며 최적화 프로그램과 아무 관련이 없습니다.
파일을 보니 8개의 계수가 입력되어 있습니다. 이것은 2 3 입니다. 3개의 입력으로 작동하는 뉴런이 있습니다. 나는 당신의 프로그램이 이 뉴런에 적용할 100개의 입력 중 3개를 며칠 동안 고려한다고 믿습니다. 나는 거기에서 뉴런이 적어도 10개의 입력으로 확장되었다고 생각했습니다...
예, 어려운 선택이 있습니다. 몇 개만 남았습니다. :)
그리고 나는 그의 웹 사이트에 대한 링크를 버렸습니다. 모델에 대한 설명이 있습니다. 어떻게 특성화해야 할지 모르겠는데, 핵기계+벡터기계라고 써있습니다. MT5 버전 + 옵티마이저에서 가중치 선택이 아닌 상대와의 훈련보다 모든 것이 더 복잡하지만 출력은 여전히 각 예측 변수에 대해 동일한 가중치입니다.
내가 아는 한 지원 벡터 방법 은 훈련 세트의 모든 지점에서 최대한 멀리 떨어진 다차원 공간에 이러한 초평면을 구축하여 공간을 "예"와 "아니오"의 두 가지 범주로 나눌 때 사용됩니다. ". 핵 변형을 뱉어냅니다. 따라서 옵티마이저가 매우 오랫동안 고려하는 것은 뉴런을 훈련시키는 것이 아니라 훈련에 추가하여 모든 종류의 변환 및 데이터 검색을 수행하는 AI 시스템입니다. 그래서 너무 길다. 조금 실망스럽습니다. 하지만 다시, 어떻게 5초 안에 시장에 적합한 모델을 얻을 수 있나요???? 모르겠어요 :-(
내가 아는 한 서포트 벡터 머신은 훈련 세트의 모든 지점에서 최대한 멀리 떨어진 다차원 공간에 초평면을 구축하여 공간을 "예"와 "아니오"의 두 가지 범주로 나눌 때 사용됩니다. 핵 변형을 뱉어냅니다. 따라서 옵티마이저가 매우 오랫동안 고려하는 것은 뉴런을 훈련시키는 것이 아니라 훈련에 추가하여 모든 종류의 변환 및 데이터 검색을 수행하는 AI 시스템입니다. 그래서 긴 것입니다. 조금 실망스럽습니다. 하지만 다시, 어떻게 5초 안에 시장에 적합한 모델을 얻을 수 있나요???? 모르겠어요 :-(
글쎄, 적어도 위에 이미 쓰여진 것처럼 - 당신은 그것에 많은 예측 변수를 밀어 넣지 않아야합니다. 어쨌든 그것들을 모두 제거 할 것입니다 :)
파일을 보니 8개의 계수가 입력되어 있습니다. 이것은 2 3 입니다. 3개의 입력으로 작동하는 뉴런이 있습니다. 나는 당신의 프로그램이 이 뉴런에 적용할 100개의 입력 중 3개를 며칠 동안 고려한다고 믿습니다. 나는 거기에서 뉴런이 적어도 10개의 입력으로 확장되었다고 생각했습니다...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
무언가를 올바르게 이해하지 못했습니다. 각 8개의 입력에 대해 2개의 그리드가 있으며 두 그리드의 결과는 앞서 설명한 대로 해석됩니다. 둘 다 예라고 하면 예, 아니오라면 아니오, 불화하면 모를까... 뭐 그런 .....
주석 ... 3 개의 입력에서 무언가를 예측할 수 있습니까?
제 생각에는 잘못된 방향으로 시간을 낭비하고 있는 것 같습니다. RNN이 10개 또는 100개의 입력으로 확장된 경우 하루를 훈련하는 데 보낼 수 있습니다. 이제 입력을 스크리닝하는 데 시간을 낭비하고 있습니다. 훈련용이 아닙니다.
무언가를 올바르게 이해하지 못했습니다. 각 8개의 입력에 대해 2개의 그리드가 있으며 두 그리드의 결과는 앞서 설명한 대로 해석됩니다. 둘 다 예라고 하면 예, 아니오라면 아니오, 불화하면 모를까... 뭐 그런 .....
8은 입력과 출력 간의 연결 계수이며 3개의 입력이 있습니다(8 = 2 3 ).
보다 정확하게는 규칙에 대한 계수:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
그리고 입구는 A, B, C 3개뿐입니다.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A*B*C*p7
주석 ... 3 개의 입력에서 무언가를 예측할 수 있습니까?
제 생각에는 잘못된 방향으로 시간을 낭비하고 있는 것 같습니다. RNN이 10개 또는 100개의 입력으로 확장된 경우 하루를 훈련하는 데 보낼 수 있습니다. 이제 입력을 스크리닝하는 데 시간을 낭비하고 있습니다. 훈련용이 아닙니다.
따라서 최신 버전에서는 2ns의 위원회가 사용된 다음 결과가 비교됩니다.
따라서 최신 버전에서는 2ns의 위원회가 사용된 다음 결과가 비교됩니다.
뉴런을 10개의 입력으로 확장합니다...
그러나 1024에 규칙을 추가해야 합니다.
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A*B*C*p7
.....
r1023=
글쎄, 적어도 위에 이미 쓰여진 것처럼 - 당신은 그것에 많은 예측 변수를 밀어 넣지 않아야합니다. 어쨌든 그것들을 모두 제거 할 것입니다 :)
여기에서 내가 기꺼이 논쟁할 수 있습니다. 이것은 연습에서 나온 것입니다. 옵티마이저를 사용하면서 관찰한 것.
행보다 열이 적은 경우 입력의 개수 는 네트워크 다항식의 조건부 크기 보다 작아집니다.
열과 행의 수가 같으면 입력의 수와 다항식의 크기가 거의 같습니다.
행보다 열이 더 많은 경우 다항식의 크기는 입력 수보다 작습니다.
즉, 열과 행의 개수가 거의 같아야 합니다. 그런 다음 충분한 수의 입력과 거의 동일한 수의 입력에 대한 크기를 사용하여 다항식을 얻습니다.
다른 말로 하면. 파일이 클수록 모델이 더 많은 다변수가 됩니다. 입력의 수와 다항식의 크기가 증가하여 모델이 점점 더 똑똑해지고 있음을 나타냅니다. 이 같은.
동일한 파일을 여러 번 실행하더라도 입력 매개변수 집합은 항상 다릅니다. 이는 분할 중 샘플이 무작위로 분할되기 때문입니다. 그러나 동일한 파일을 실행하고 완전히 다른 모델을 얻는다면 여전히 거의 동일한 방식으로 작동합니다. 최소한 그래야 합니다. 이것은 이 파일에서 어떤 종류의 물고기를 도살하느냐는 질문에 대한 답변입니다. 실행할 때마다 데이터가 다르다면 데이터가 출력과 아무 관련이 없다는 의미입니다. 이 같은....
8은 입력과 출력 간의 연결 계수이며 3개의 입력이 있습니다(8 = 2 3 ).
보다 정확하게는 규칙에 대한 계수:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
그리고 입구는 A, B, C 3개뿐입니다.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A*B*C*p7
예, 연결 계수는 무엇입니까, 무엇을 말하는 것입니까? 다음은 사용된 입력 목록입니다. 각 다항식 앞에 있는 것은 정규화이며 8개의 입력이 있습니다. 여기에 설명되어 있습니다. 파일 맨 아래에서 아래를 보십시오.
//변수 x0: 델
//변수 x1: Del1
//변수 x2: V Del
//변수 x3: Vdel1
//변수 x4: Vdel6
//변수 x5: ST5
//변수 x6: VAD11
//변수 x7: VVolum4
3개의 입구가 어디에????? 여덟 개가 있을 때
가져온 예제는 Reshetov의 다른 작업에서 가져온 것이며 최적화 프로그램과 아무 관련이 없습니다.