Neuronales Netz - Seite 10

 
Viele Leute argumentieren, dass das Netzwerk nach Regeln sucht und diese erlernt, und zwar aus einer Vielzahl von Eingaberegeln, die gewinnbringend sind...... Ich habe eine andere Frage....Ist es möglich, oder besser gesagt, wie kann man dem Netzwerk beibringen, nach vorgefertigten Regeln zu arbeiten? ......Lassen Sie uns das Kanalsystem betrachten......Es spielt keine Rolle, wie oder unter welchen Umständen der Kanal aufgebaut ist. Wie man einem Netzwerk beibringt, innerhalb eines Kanals oder auf seinem Durchbruch zu arbeiten?????? Well neural network minds......Was können Sie dazu vorschlagen? Zumindest ein Netz ohne Lehrer.....Rekur zum Beispiel. Wie lassen sich Eingaben vorbereiten, damit das Netz versteht, was von ihm verlangt wird? wenn es ursprünglich einen Kanal hat, der sich im Laufe der Zeit ändert........
 
nikelodeon >>:
Многие рассуждают о том чтобы сеть искала и учила правила, из многообразия правил входов, которые будут работать на прибыль......У меня другой вопрос....Возможноли, вернее, как научить сеть работать по готовым правилам?......Возмём канальную систему......Неважно как и при каких обстоятельствах строится канал. Как научить сеть работать внутрь канала или на его пробитии?????? Ну нейросетевые умы......что можете предложить по этому поводу?. Взять хотябы сеть без учителя.....Рекур, например. Как подготовить входы так, чтоб сеть поняла что от неё требуеться? если изначально имееться меняющийся со временем канал........

Wenn wir vorgefertigte Regeln haben, wozu brauchen wir dann noch ein neuronales Netz?!

Die Frage ist rhetorisch, Sie brauchen nicht zu antworten.

 

Durch Hinzufügen eines Inputs in Form eines Wrackers können Sie die Rentabilität des Systems erhöhen.....Das Netzwerk wird berechnen, welche Durchbrüche falsch oder wahr sind, etwa so.......

 
nikelodeon писал(а) >>

Durch Hinzufügen eines Inputs in Form eines Abschleppers können Sie die Rentabilität des Systems erhöhen.....Das Netzwerk wird berechnen, welche Pannen falsch und welche richtig sind, etwa so.......

Sie scheinen die Fähigkeiten von neuronalen Netzen zu überschätzen.

Zu Ihrem Beitrag vom 09.08.2009 21:00.

Ein Netz allein kann nicht nach etwas suchen. Es kann nur einige Regelmäßigkeiten aufzeigen (Verbindungen zwischen Inputs und Outputs; es ist dann möglich, das angesammelte "Wissen" zu nutzen, um die Outputs in einer Situation zu berechnen, für die das Netz nicht direkt trainiert wurde). Das heißt, die Suche nach Mustern ist nur möglich, wenn sie existieren.

Nun zu Ihrem Beitrag vom 09.08.2009 21:56.

Wenn Sie die Regelmäßigkeiten bei der Kanalpenetration kennen (Ihr Beispiel) - warum sollten Sie dann ein neuronales Netz verwenden, wenn Sie diese einfacher implementieren können? Neuronale Netze sind ein verallgemeinerter Ansatz; es ist sinnlos, einen verallgemeinerten Ansatz zu verwenden, wenn ein bestimmter Fall wahnsinnig einfach ist. MAs können auch in das Regelwerk aufgenommen werden. Es muss eine Beziehung zwischen dem Verhalten der MA und den Kanalausfällen bestehen (und Sie müssen in der Lage sein, diese Beziehung auszudrücken). Neuronale Netze vollbringen nicht von selbst Wunder.

p.s. Ich beantworte also Ihre Frage: "Ist es möglich, oder besser gesagt, wie kann man einem Netzwerk beibringen, mit vorgefertigten Regeln zu arbeiten?" Ja, das ist möglich, wenn man die in neuronalen Netzwerken verwendete Mathematik versteht. Übrigens ist ein rekurrentes neuronales Netz nicht das beste Beispiel. Nehmen Sie etwas Einfacheres (mehrschichtiges Perzeptron ohne Rückkopplungen) - dort ist es problemlos möglich.

 
Guten Tag an alle in diesem Thread. Ich möchte den Leuten, die sich mit NS auskennen, eine Frage stellen. Ich bin ein totaler Verlierer. Ich habe kürzlich in MQL-4 ein Backspreading-Netzwerk mit einer versteckten Schicht erstellt. Ich füttere ihn mit Deltakursen. Ich normalisiere die Eingänge und Ausgänge der Schichten des Netzes mit sigmoid-0.5. Ich lehre die Richtung der Kursbewegung, bis ein Fehler bei einem Testmuster aufhört, abzunehmen. Ich habe ein paar unangenehme Dinge festgestellt: 1. Aus irgendeinem Grund liefert das Netz nur 2 Ausgangsvarianten. Daher ist es unmöglich, schwache von starken Signalen zu unterscheiden. Ist dies eine Besonderheit des 3-Schichten-Netzes? Vielleicht sollten wir die Anzahl der Schichten erhöhen? 2. Der RMS-Fehler ist umso kleiner, je näher die obere und untere Ausgangsschwelle beieinander liegen. Wenn die Schwellenwerte gleich sind, beträgt der Wert mindestens 0,22. Ist das normal?
 
Was bringen Sie ihr bei? Wenn Sie ihm zwei "Ausgabeoptionen" beibringen - auf und ab, wie ich es verstehe - wird es diese lernen. Wenn Sie mehrere Neuronen am Ausgang bilden - d.h. die Anzahl der Klassen erhöhen - z.B. starke, schwache Trades plus eine Flat, können Sie eine detailliertere Vorhersage erhalten. Eine versteckte Schicht ist ausreichend. Wie hoch sind die Schwellenwerte? Das Bias-Gewicht wird nicht extern festgelegt, sondern auf die gleiche Weise trainiert wie die anderen Gewichte. Wenn die Aktivierungsfunktion sigmoidal ist, warum brauchen wir dann überhaupt Schwellenwerte? Haben Sie es schon ohne Schwellenwerte versucht?
 

sehen Sie ein Beispiel dafür, welche Eingaben in ein neuronales Netz eingespeist werden. http://www.nnea.net/research/18-neural-network-forecast-indicator



 

Ich konnte dort keine Eingänge finden...

 
Burgunsky писал(а) >>
Ich habe ein paar unangenehme Dinge entdeckt: 1. Das Netzwerk gibt aus irgendeinem Grund nur 2 Ausgabeoptionen aus. Es scheint also unmöglich zu sein, schwache von starken Signalen zu unterscheiden. Ist dies eine Besonderheit des 3-Schichten-Netzes? Vielleicht ist es notwendig, die Anzahl der Schichten zu erhöhen? 2. Der RMS-Fehler ist umso kleiner, je näher die obere und untere Ausgangsschwelle beieinander liegen. Wenn die Schwellenwerte gleich sind, beträgt der Wert mindestens 0,22. Ist das normal?

Nein, das ist keine Eigenschaft von 3-Schicht-Netzen, das Signal am Netzausgang ist eine kontinuierliche Funktion. Vielleicht haben Sie bereits eine Art Klassifikator am Gitterausgang eingebaut, der das endgültige Signal liefert, z. B. wenn der Gitterausgang größer als 0,5 ist, dann 1, kleiner als 0, oder wenn der Gitterausgang größer als 0,5 ist, dann 1, kleiner als -1.

Das mit den Schwellenwerten verstehe ich noch nicht, Sie sollten detailliert beschreiben, was Sie in Ihrem Algorithmus haben und wie er aufgebaut ist, dann kann man sich die Fragen, die Sie stellen, vorstellen...

 
Swetten писал(а) >>

Ich kann dort keine Eingänge finden...

Ich auch nicht... Wir können nur vermuten, dass die Nominale der Quadrate, in denen der Preis gefallen ist, vielleicht einige andere zusätzliche Bedingungen...

Vielleicht hat MeteQuotes die Werbung des Decompilers nicht gesehen...