kfold Alglib을 사용해 보셨습니까? 결과를 개선? 귀하의 이전 메시지 중 하나에서 선택 항목이 혼합되지 않은 것으로 보입니다. 당신은 전혀해야합니까?
재교육을 덜 받는 것(숲 또는 MLP)에 대한 결론이 있습니까? 같은 데이터에. 숲이 회귀 문제에 대해 비뚤어지게 작동하고 규범 분류에 대해 비뚤어진 오류(매우 작은 오류)를 반환한다는 의혹이 있습니다.
2. OpCl에 관심이 있다는 걸 봤는데, 국회를 다시 쓸 생각은 없었나? 예를 들어, 나는 일반적으로 GA를 일종의 악몽 같은 넌센스로 포기했습니다. 이제 모든 것이 1코어의 1스레드에서 훈련됩니다. Cl에서 속도를 높이는 것이 가능합니다(매우 빠르긴 하지만). 또는 Spark에서 훈련하는 경우 이미 병렬화되어 있으며 의미가 없습니다.
3. git에 게시한 내용과 사용 방법을 어느 정도 이해했습니다. 훌륭한 흥미로운 작품, 존경합니다! :)
이 네트워크의 문제는 진실한 표본을 선택하기 위한 명확한 기준이 없다는 것입니다. 예를 들어, 과일이 있는 사진을 인식할 때 사과는 어디에 있고 오렌지는 어디에 있는지 명확하게 결정할 수 있습니다. 가격 차트에는 100% 선택 기준이 없으므로 100% 재교육 기준도 없습니다.
OpenCL은 네트워크 교육에만 필요합니다. 최종 계산을 위해 네트워크나 포리스트가 이미 훈련되어 있으면 비디오 카드로 데이터를 전송하는 데 필요한 시간이 매우 길기 때문에 OpenCL은 쓸모가 없습니다. 그리고 네트워크나 포리스트로부터 데이터를 수신하기 위한 알고리즘은 실제로 매우 간단하며 CPU가 그 일을 훌륭하게 수행합니다.
Spark는 일반적으로 한 컴퓨터의 코어 사이에서 계산을 병렬화할 뿐만 아니라 컴퓨터의 전체 네트워크를 사용할 수도 있습니다. 서버 간 컴퓨팅의 표준입니다. 예를 들어, 나는 완성된 랜덤 포레스트를 빠르게 얻기 위해 보통 시간당 0.25달러에 Amazon에서 32개의 코어를 구입합니다.
이 네트워크의 문제는 진실한 표본을 선택하기 위한 명확한 기준이 없다는 것입니다. 예를 들어, 과일이 있는 사진을 인식할 때 사과는 어디에 있고 오렌지는 어디에 있는지 명확하게 결정할 수 있습니다. 가격 차트에는 100% 선택 기준이 없으므로 100% 재교육 기준도 없습니다.
Автор : 2018 : Джулли А.,Пал С.: ДМК Пресс : 978-5-97060-573-8 : Русский: PDF : Отсканированные страницы : 298: Книга представляет собой краткое, но обстоятельное введение в современные нейронные сети, искусственный интеллект и технологии глубокого обучения. В ней представлено более 20 работоспособных нейронных сетей, написанных на языке...
도서관 : 케라스는 어떻게 보셨나요? 더 나은 Darch 또는 동일한 기능? 동일한 데이터, 에포크 수 등으로 더 빨리 학습할 수 있습니까?
비교가 없습니다. Keras - 구조, 교육 및 사용자 정의에 대한 무한한 가능성 , 많은 예제 및 자세한 문서. 별도로 TensorFlow에 대해 - 매우 빠르게 개발 중입니다(이미 1.8). 이것은 장단점이 있음이 분명합니다. 그는 그렇게 빨리 배우지 않으므로 추가 체조를해야합니다. 하이퍼파라미터를 최적화하는 것은 어렵습니다. 그렇지 않으면 이것이 미래의 주요 방향입니다.
고맙습니다. 그는 나중에 그것을 확실히 읽을 것입니다. 이제 그는 Shelepin을 읽고 잠이 듭니다. 걱정하고 싶지 않았습니다.
확인.
그가 Takens 정리를 찾도록 하십시오.
이 원칙에 따라 모든 것을 하나의 테이블로 가져 왔습니다.
나는 또한 예측자 rr_TimeH에 따라 그룹화를 만들었습니다. 아마도 이 형태로 뭔가를 할 것입니다.
파일을 첨부하고 있습니다.
내가 사용하는 프로그램에서 다음 그림을 얻습니다. 적중률은 30.81%에 불과합니다.
그러나 예를 들어 -2와 -1에 대한 오류를 서로 추가하고 올바르게 찾은 솔루션을 추가한 다음 잘못된 솔루션에 반대하고 3번의 대상을 무시하면 이것이 필터이고 더 이상 재무 결과에 영향을 미치면 다음과 같은 그림을 얻습니다.
이 경우 위치 입력에 대한 오류는 이미 49.19%입니다. 나쁘지 않습니다!
kfold Alglib을 사용해 보셨습니까? 결과를 개선? 귀하의 이전 메시지 중 하나에서 선택 항목이 혼합되지 않은 것으로 보입니다. 당신은 전혀해야합니까?
재교육을 덜 받는 것(숲 또는 MLP)에 대한 결론이 있습니까? 같은 데이터에. 숲이 회귀 문제에 대해 비뚤어지게 작동하고 규범 분류에 대해 비뚤어진 오류(매우 작은 오류)를 반환한다는 의혹이 있습니다.
2. OpCl에 관심이 있다는 걸 봤는데, 국회를 다시 쓸 생각은 없었나? 예를 들어, 나는 일반적으로 GA를 일종의 악몽 같은 넌센스로 포기했습니다. 이제 모든 것이 1코어의 1스레드에서 훈련됩니다. Cl에서 속도를 높이는 것이 가능합니다(매우 빠르긴 하지만). 또는 Spark에서 훈련하는 경우 이미 병렬화되어 있으며 의미가 없습니다.
3. git에 게시한 내용과 사용 방법을 어느 정도 이해했습니다. 훌륭한 흥미로운 작품, 존경합니다! :)
내가 네트워크를 연구하기 시작했을 때 결과는 https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_MultilayerPerceptron.mq5 였습니다. 나는 (혼합 유무에 관계없이) 서로 다른 시퀀스에서 서로 다른 예측 변수 세트를 거쳤습니다. File_Num 매개변수가 이에 대한 책임이 있습니다. 그리고 물론 두 수업에 같은 수의 항목을 넣으려고 했습니다.
이 네트워크의 문제는 진실한 표본을 선택하기 위한 명확한 기준이 없다는 것입니다. 예를 들어, 과일이 있는 사진을 인식할 때 사과는 어디에 있고 오렌지는 어디에 있는지 명확하게 결정할 수 있습니다. 가격 차트에는 100% 선택 기준이 없으므로 100% 재교육 기준도 없습니다.
https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5
Random Forest는 노이즈에 덜 의존하고 다른 샘플링 조건에서 동일한 결과를 반환할 가능성이 더 큽니다. 예를 들어 차트에서
파란색과 노란색 데이터는 거의 동일합니다. 두 번째 포리스트에 대해 샘플의 일부가 제거되었기 때문에 더 큰 차이를 예상했지만.
그리고 내 생각에는 어떤 사람들은 네트워크나 숲을 이용하여 주문 시작가를 얻으려고 하지만 주문이 마감되는 순간 차익이 일어난다는 것을 잊어버린다. 이 문제를 해결하기 위해 https://github.com/Roffild/RoffildLibrary/blob/master/Include/Roffild/OrderData.mqh 가 등장했지만 이 클래스는 정확히 "부모"로 사용됩니다.
OpenCL은 네트워크 교육에만 필요합니다. 최종 계산을 위해 네트워크나 포리스트가 이미 훈련되어 있으면 비디오 카드로 데이터를 전송하는 데 필요한 시간이 매우 길기 때문에 OpenCL은 쓸모가 없습니다. 그리고 네트워크나 포리스트로부터 데이터를 수신하기 위한 알고리즘은 실제로 매우 간단하며 CPU가 그 일을 훌륭하게 수행합니다.
Spark는 일반적으로 한 컴퓨터의 코어 사이에서 계산을 병렬화할 뿐만 아니라 컴퓨터의 전체 네트워크를 사용할 수도 있습니다. 서버 간 컴퓨팅의 표준입니다. 예를 들어, 나는 완성된 랜덤 포레스트를 빠르게 얻기 위해 보통 시간당 0.25달러에 Amazon에서 32개의 코어를 구입합니다.
이 네트워크의 문제는 진실한 표본을 선택하기 위한 명확한 기준이 없다는 것입니다. 예를 들어, 과일이 있는 사진을 인식할 때 사과는 어디에 있고 오렌지는 어디에 있는지 명확하게 결정할 수 있습니다. 가격 차트에는 100% 선택 기준이 없으므로 100% 재교육 기준도 없습니다.
https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5
Random Forest는 노이즈에 덜 의존하고 다른 샘플링 조건에서 동일한 결과를 반환할 가능성이 더 큽니다. 예를 들어 차트에서
국회에서는 건축을 선택해야 하고 숲은 항상 같은 방식으로 작동하기 때문입니다.
그리고 아키텍처를 선택하려면 기능의 다차원 공간을 표시하고 어떤 레이어가 무엇을 담당해야 하는지 또는 단순히 입력하여 연기해야 합니다. 그러나 이론적으로 적절하게 선택된 NS는 관점에서 더 나은 결과를 제공해야 합니다. 너무 오버핏
아직 도서관을 다 안봤어 고마워 계속 공부할게
러시아어로 된 또 다른 유용한 책 .
러시아어로 된 또 다른 유용한 책 .
케라스는 어떻게 보셨나요? 더 나은 Darch 또는 동일한 기능? 동일한 데이터, 에포크 수 등으로 더 빨리 학습할 수 있습니까?
비교가 없습니다. Keras - 구조, 교육 및 사용자 정의에 대한 무한한 가능성 , 많은 예제 및 자세한 문서. 별도로 TensorFlow에 대해 - 매우 빠르게 개발 중입니다(이미 1.8). 이것은 장단점이 있음이 분명합니다. 그는 그렇게 빨리 배우지 않으므로 추가 체조를해야합니다. 하이퍼파라미터를 최적화하는 것은 어렵습니다. 그렇지 않으면 이것이 미래의 주요 방향입니다.
행운을 빕니다
나는 R과 친구가 된 적이 없다. 그래서 나는 당신이 무엇을 생각해내는지 관심을 가질 것이다!
주간 시간대, 1400개의 막대를 분해했습니다(터미널에서 사용 가능한 거의 모든 기록).
여기에 날짜가 표시되지 않아 그다지 편리하지 않습니다. 플롯이나 표시기를 사용하여 다시 작성해야 합니다. 순전히 시각적인 동안 차트에 표시하기 위해
작은 모드에서는 더 뚜렷한 주기가 있습니다. 그리고 가장 큰 것은 +-14세(28세에서 2반기)로 밝혀졌으며, 이는 4세 7세(내가 말했듯이)로 나뉩니다. 또한 지난 7년 주기가 올해 초(대략)에 종료되었으므로 그리드를 더 이른 날짜에 훈련하는 것은 의미가 없습니다.
중간에는 그렇게 발음되지 않습니다.
그리고 두뇌를 급상승시키지 않으려면 모든 모드를 NS로 몰아 넣으면됩니다. 게다가 상관 관계가 없습니다.
그러면 다른 주기성을 인식하거나 그렇지 않을 수도 있습니다. 질문은 철학적입니다. 어떻게 하시겠습니까? :)