확률이 있는 두 개의 출력에 대한 녀석들. 나는 당신이 절대적으로 옳다고 생각합니다. 하나의 출구를 사는 것은 0.9이고, 다른 출구를 파는 것은 0.1입니다. 그러나 이것이 필요한 이유는 흥미로운 질문입니다. 샘플 외부의 플롯에서 두 입력 모두 각각 0.9를 제공합니다. 그러면 어떻게 될까요???? 여기 저기서 잡담을 하고 있을 가능성이 큽니다. 결국 이것은 불확실성이 있는 시장에서도 발생합니다. 시장 자체는 어디로 가야할지 모르고 이미 신호가 나타났습니다. 더 많은 정보를 얻을 수 있다고 말하는 이우...
매일 아침 추가 작업을 위해 모델의 방향을 정해야 한다고 누군가가 저를 꾸짖었던 기억이 납니다. 오늘 다이렉트 모델이 어떻게 작동했는지는 다음과 같습니다. 나쁜, 당신은 물론, 내가 당신에게 나쁘게 대답할 것이라고 말합니다 ... 그리고 지금 당신의 머리에 그것을 반영하고 세 번째 신호에서 거래를 시작하십시오. 자, 이제 어떻게????? 그리고 오리엔테이션 방식이 쓰레기라고 하던데....
글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 체계'를 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
왜 알려지지 않았습니까? 분할해야 하는 클러스터 수 - 시작 시 입력 값으로 설정됨: K - 원하는 클러스터 수, K>=1
데이터를 4개의 그룹으로 분할한다고 가정하고 다음에는 어떻게 해야 합니까?
샘플에서 어떤 클래스가 어떤 클래스에 속하는지 미리 알 수 없다는 뜻으로 나중에 트레이딩과 관련하여 어떻게 해야할지 모르겠습니다.
불행히도, 나는 Alglib와 거래가 없었습니다. 내가 알게 된 ML 패키지는 모두 계층의 활성화 기능을 변경할 수 있었습니다.
그러나 이것은 극단적인 방법입니다.
그리고 나서 어떻게든 들어가고 싶었고, 반복되는 레이어 몇 개를 작성하고 싶었습니다. 제 감각을 갖게 된 것이 좋습니다. =)
원칙적으로 지식이 충분하고 라이브러리가 허용하면 뉴런 클래스를 상속하고 거기에 고유한 활성화 함수를 작성할 수 있습니다.
그러나 이것은 극단적인 방법입니다.
그리고는 어떻게든 들어가서 몇 가지 반복 레이어를 작성하고 싶었습니다. 제 감각을 갖게 된 것이 좋습니다. =)
에서 소프트맥스는 일반적으로 신호로 나뉩니다. 이전에는 구매가 거의 없었지만 지금은 판매도 있습니다. 그러나 모두 동일하게, 소모되는 동안 더 나은 예측 변수와 목표를 설정해야 합니다.
매일 아침 추가 작업을 위해 모델의 방향을 정해야 한다고 누군가가 저를 꾸짖었던 기억이 납니다. 오늘 다이렉트 모델이 어떻게 작동했는지는 다음과 같습니다. 나쁜, 당신은 물론, 내가 당신에게 나쁘게 대답할 것이라고 말합니다 ... 그리고 지금 당신의 머리에 그것을 반영하고 세 번째 신호에서 거래를 시작하십시오. 자, 이제 어떻게????? 그리고 오리엔테이션 방식이 쓰레기라고 하던데....
그리고 할머니를 욕할 필요가 없습니다 !!!! :-)))))
글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 체계'를 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
솔직히 인정합니다. 여기에서 부분 공간으로 파티션을 약간 다르게 만들었지만 본질은 동일하게 유지됩니다.
288줄의 공통 파일이 있어서 3개의 샘플로 나누었고 훈련 샘플의 레코드 수는 전체 패턴 라인에 표시됩니다.
다음:
그리고 마지막
조건부 없이 각각 이득을 취해야 하지만 이 영역의 총 트랜잭션 수는 54개(기본 전략)입니다. 그들이 한 번에 함께 일했을 때 일어난 일은 다음과 같습니다.