Neuronales Netz und Eingaben - Seite 37
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Nach dem, was ich gelesen habe, scheint Ihnen Hartleys Verwandlung sehr zu gefallen. Ich frage mich, warum? Ich kann nicht sagen, was Sie bevorzugen, aber ich denke, es ist sehr kompliziert. Ich denke, es ist einfacher, die Reihen in Trend/Saison zu zerlegen, für jede Reihe eine eigene Vorhersage zu treffen und die Summe in das Diagramm zu übertragen.
IMHO.
Ich habe bereits oben geschrieben, dass ein neuronales Netz oder ein Ensemble von neuronalen Netzen nicht das beste Modell für die Vorhersage ist, insbesondere für nichtstationäre Reihen.
Heute gibt es effizientere Modelle.
Die Vorhersage künftiger Werte einer Reihe (Regression) ist verlockend, aber undankbar. Ich habe viel Zeit darauf verwendet, ohne ein greifbares Ergebnis zu erzielen.
Jetzt nur noch Einstufung, das Ergebnis ist hervorragend.
Viel Glück!
Nach dem, was ich gelesen habe, scheinen Sie Hartleys Verwandlung sehr zu mögen. Ich frage mich, warum?
Jetzt nur noch die Einstufung, das Ergebnis ist hervorragend.
Ich habe keine besondere Vorliebe für Hartley, weil es einfacher zu benutzen ist, ohne die imaginäre Komponente.
Klassifizierung ist Macht. Ich möchte die Klassifizierung nutzen, um eine Trainingsdatenbank in mehrere Teile aufzuteilen, wobei jeder Teil eine eigene Klasse hat.
Ich habe in meinen Experimenten Ensembles neuronaler Netze verwendet, weil ich die Genauigkeit der Vorhersagen verbessern wollte, und ich denke, dass ich in Zukunft Ensembles für das Training auf den klassifizierten Trainingsgrundlagen verwenden werde.
Wir danken Ihnen für Ihr Interesse.
Ich habe in Ihrem Thema geantwortet.
"Anwendung neuronaler Netzwerk-Ensembles in Exkrementen...." Tippfehler???
Viel Glück
Nein. Ensemble ist besser als DT, mlp und svm. Die RF- und ada-Zahlen werden als nächstes angegeben und sie sind besser.
Um der Klarheit willen ist es wahrscheinlich besser, etwas Einfacheres zu nehmen...
...sagen wir mal eine klassische Fisher's Iris und schauen wir mal... + ungefähre Berechnungszeit...
(setosa = 1,virginica = 0,versicolor = -1 (andere Werte sind ebenfalls möglich))
Farbe=Eingabe...schwarz=Aufschlag (Blendenansicht) auf 1 Bildschirm...weiter...
Auf allen Bildschirmen blau = autsch... rosa = Modellausgabe...
50% graf= ob sampling...50%= test sampling...
15x15=2-3 sec
20x20=3-4 sec
Mbs (bl neighbour method)=1 Sekunde oder weniger
3x-sec (4-2-1)=20 sec oder mehr
Jetzt wird es interessant...
Sie können das Geplapper bei 0 sehen (in unserem Beispiel können wir es mit einer einfachen Aktion (Filter) entfernen)
um in Zukunft keine schwereren ns zu verwenden)
Wahrscheinlich passiert Ihnen etwas Ähnliches... Dementsprechend gibt es eine schlechtere Fehlerrechnung ...
Ich weiß nicht, was das Zuordnungsverhältnis in R ist und wie es berechnet wird, und ich kann mich irren...
schwerere ns...
3x scrsl (8-4-2)=30 sec oder mehr
besser schneiden...
etc....
======================
Unterm Strich...
1. es ist möglich, Klassifizierungsprobleme mit verschiedenen Algorithmen gleich erfolgreich zu lösen.2. die Problemlösungszeit hängt von dem verwendeten Algorithmus ab
3. Um Daten direkt zu klassifizieren, ist es besser, speziell entwickelte Algorithmen zu verwenden...
Es ist wahrscheinlich besser, etwas Einfacheres zu verwenden, um den Punkt zu illustrieren...
...sagen wir mal eine klassische Fisher's Iris und schauen wir mal... + ungefähre Berechnungszeit...
(setosa = 1,virginica = 0,versicolor = -1 (andere Werte sind ebenfalls möglich))
Farbe=Eingabe...schwarz=Aufschlag (Blendenansicht) auf 1 Bildschirm...weiter...
Auf allen Bildschirmen blau=Auch... rosa= Modellausgabe...
50% Graff=objektive Probenahme...50%=Prüfung...
Jetzt geht's los. Sollen wir die Schwertlilien klassifizieren? Nehmen Sie konkrete Daten zu unserem Thema und geben Sie ein Beispiel.
Warum sollten wir uns mit Schwertlilien beschäftigen? Lass andere an Muschis üben.
Über die Vorzüge von Methoden zu streiten, ist eine undankbare Aufgabe. Jeder hat seine eigenen Vorlieben. Wenn ich mich für eine Methode entscheide, gehe ich von einer einfachen Prämisse aus - eine Methode sollte mit verschiedenen Eingabedaten (sowohl numerischen als auch nominalen) ohne vorherige Transformationen funktionieren. Lassen Sie mich erklären, warum. Es gibt eine große Anzahl von Vorverarbeitungsmethoden für Eingabedaten (ich kenne mehr als 20). Und je nachdem erhalten wir unterschiedliche Ergebnisse. Wir müssen also den optimalen Satz von Eingabedaten, die optimale Art der Aufbereitung dieser Daten und die optimale Methode auswählen, die nach jedem Kriterium die besten Ergebnisse liefert. Und wenn wir den ersten und den letzten nicht loswerden können, müssen wir zumindest den zweiten loswerden.
Was die Frage nach dem Kriterium der Genauigkeit betrifft, so handelt es sich um das Verhältnis zwischen den richtig klassifizierten Fällen einer bestimmten Klasse und der Gesamtzahl der Fälle derselben Klasse.
Viel Glück!
Ich persönlich gehe bei der Auswahl einer Methode von einer einfachen Prämisse aus - die Methode sollte mit verschiedenen Eingabedaten (sowohl numerisch als auch nominal) ohne Vorabtransformation funktionieren. Lassen Sie mich erklären, warum. Es gibt eine große Anzahl von Vorverarbeitungsmethoden für Eingabedaten (ich kenne mehr als 20). Und je nachdem erhalten wir unterschiedliche Ergebnisse. Wir müssen also den optimalen Satz von Eingabedaten, die optimale Art der Aufbereitung dieser Daten und die optimale Methode auswählen, die nach jedem Kriterium die besten Ergebnisse liefert. Und wenn wir schon die erste und die letzte nicht loswerden können , müssen wir wenigstens die zweite loswerden.
für diesen Ansatz ja...ein zufälliger Wald ist gut...
viel Glück...
Sie sind ein "furchterregender Mann" ))))
für diesen Ansatz ja... zufällige Hölzer sind in Ordnung...
viel Glück...
Meinen Sie nicht zufällig RandomForest?