Suche nach einem beliebigen Muster mit Hilfe eines neuronalen Netzes - Seite 4
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
Nur Klassifizierung. Das Netz lernt, Situationen (Bilder) zu unterscheiden, aber es kann nicht wissen, was in welchem Fall zu tun ist oder wie welches Bild zu nennen ist.
Sie sind völlig verwirrt und führen die Menschen in die Irre. Die Einstufung kann mit oder ohne Lehrer erfolgen. Wenn wir das Netz mit einem Lehrer unterrichten, besteht die Ausgangsvariable in der Regel aus 0 und 1, und in diesem Fall ist die Ausgangsvariable eine Handlungsaufforderung. (0 für Verkaufen, 1 für Kaufen), und das Netz wird versuchen, die Eingangsvektoren in diese beiden Klassen aufzuteilen. Genauer gesagt, versucht es, jeden Eingangsvektor der einen oder anderen Klasse zuzuordnen. Taks.... Dieser Vektor gehört zu Eins und dieser zu Null.
Unterricht ohne Lehrer bedeutet, dass der Parameter "Anzahl der Klassen" erstmals eingestellt wird. Nehmen wir an, es gibt eine Stichprobe von 1000 Einträgen, die ich in zwei Klassen aufteile, wobei die eine Klasse 0 und die andere natürlich 1 ist. Verteilen Sie sie einfach auf zwei Stapel, je nach Entfernung der Daten. Wenn man sich den Eingabevektor als Koordinaten eines Punktes im mehrdimensionalen Raum vorstellt, dann ist es im Wesentlichen der Abstand zwischen den Punkten, der die Gruppierung der beiden Wolken mit jeweils 500 Punkten bestimmt. Versuchen Sie nicht, sich den mehrdimensionalen Raum vorzustellen. Stellen Sie sich dreidimensional vor. Gewöhnlich. Als Ergebnis haben wir eine Punktwolke, die wir partitionieren müssen.
Im ersten Fall werden sie zwangsweise so aufgeteilt, dass die Reaktion des Netzes so nahe wie möglich an der Zielfunktion liegt, wobei versucht wird, ihr so nahe wie möglich zu kommen und gleichzeitig die Optimierung zu verhindern. Das heißt, eine beliebige Wolke von Punkten kann nach Belieben aufgeteilt werden, indem man einfach ihre Farbe ändert. Diejenigen, die beim Verkauf von 0 zu einem Gewinn geführt haben, und diejenigen, die beim Kauf von 1 zu einem Gewinn geführt haben, sind eine andere Sache, wenn wir eine Hyperebene zwischen ihnen zeichnen und Nullen auf der rechten Seite der Ebene und Einsen - auf der linken Seite lassen. Ein Beispiel.
Im zweiten Fall, wenn das Lernen ohne Lehrer stattfindet, färben wir diese Punkte einfach stumpf in rot und blau ein, allein aufgrund ihrer Nähe zueinander im mehrdimensionalen Raum. Außerdem gibt es bei dieser Methode eine Option, bei der wir nicht angeben, in wie viele Klassen die Stichprobe unterteilt werden soll. Das Netzwerk selbst bestimmt, wie viele Klassen es in der Stichprobe gibt, und die Anzahl der Klassen wird ein wichtiges Ergebnis der Optimierung sein. Ich habe es gerade herausgefunden. Das möchte ich Ihnen zeigen. Angenommen, der Optimierer teilt unsere 1000 Vektoren in 5 Klassen ein. Was sollen wir mit ihnen machen? Hoo of Hoo??? Jetzt ta daaaaaaaaaa.... Nun, es gibt eine Art Fanfare, die man nur nicht hören kann :-)
Sobald wir die 5 Klassen haben, müssen wir sie manuell klassifizieren, welche Wolke wohin gehört. Wie man es macht. Wir sollten zuerst eine Klasse für jede Wolke prüfen und dann eine andere und die Wolke prüfen, die weniger Fehler hat. Und wenn man bedenkt, dass es vier Klassen in der binären Klassifizierung gibt, werde ich das Optimierungsergebnis ganz ruhig als Handlungsanweisung interpretieren und so sein.
Der Unterschied zwischen den beiden Ansätzen besteht lediglich darin, dass bei der einen Methode die Handlungsanweisung vor der Optimierung und bei der anderen Methode danach erstellt wird. Und Sie können versuchen, herauszufinden, welche davon besser ist. So.... Das ist mir gerade eingefallen....
Sie sind verwirrt und führen die Menschen in die Irre. Die Einstufung kann mit oder ohne Lehrer erfolgen...
Ja... Erstens wird "enter" mit einer Beugung geschrieben. 2 - Wenn alle Kühe gehörnt sind und ein Elch auch Hörner hat, wird er nicht zur Kuh.
Das Wort "manuell" wird ebenfalls konjugiert. Und es ist genau dasselbe wie "von Hand" mit "Lehrer". Es ist dasselbe, nur aus einem anderen Blickwinkel. Ohne einen Lehrer ist es nur eine Klassifizierung.
Die Darstellung der Klassifizierung als eine Ansammlung von Punkten im Raum und deren Nähe ist nicht der Punkt - die tatsächlichen Werte des Preises sind hier nicht von Interesse. Die Klassifizierung erfolgt hier auf eine andere Weise.
*
Generell habe ich gesagt, dass Neuronetze nicht unabhängig denken können, sie können überhaupt nicht denken. Damit neuronale Netze nützlich sind, müssen sie gelehrt werden. Und um sie zu lehren, braucht man Eingabe-Ausgabe-Paare (Bedingung-Ergebnis).
Die Begriffe "mit Lehrer" und "ohne Lehrer" sind ohnehin überholt. Der Unterricht mit einem Lehrer kann automatisiert werden. Und das Lernen "ohne Lehrer" ist nur eine faszinierende Phrase für leichtgläubige Menschen.
...
Der einzige Unterschied zwischen den beiden Ansätzen besteht darin, dass bei der einen Methode die Handlungsanweisungen vor der Optimierung erstellt werden, bei der anderen danach. Versuchen Sie herauszufinden, welche die richtige ist. So.... das erinnert mich an....
Und hier ist sie.
Ganz genau. Zunächst müssen Sie 100500 Beispiele für verschiedene "Kopf und Schultern" vorbereiten und sie anhand dieser Beispiele unterrichten.
Eigentlich lassen sich Kursmuster durch Mathematik beschreiben, dazu braucht man keinen NS. Aber der Versuch, die Anzeichen für ein falsches Muster zu finden, ist genau die Aufgabe für die NS.
Allerdings umstritten. Wenn wir 3-4 Takte in einem Muster haben, ist es in Ordnung, aber wenn wir Dutzende davon haben? Wie kann uns die Mathematik dabei helfen?
Es ist nicht klar, wie ein Neuronetz den "Blickpunkt" auf ein Muster verändert. EinElliott-Wellen-Muster besteht beispielsweise aus fünf Wellen, wobei jede Welle ein unabhängiges Muster darstellt. In einem großen Muster kann man eine Vielzahl von kleinen Formen sehen.
Wenn ein neuronales Netz darauf trainiert ist, die ganze Vielfalt der Muster zu erkennen, könnte es vielleicht ein Muster in viele Formen zerlegen und viele Formen zu einem gemeinsamen Muster zusammensetzen? Oder liegt das jenseits der technischen Möglichkeiten?
Das ist jedoch umstritten. Wenn es 3-4 Takte in einem Muster gibt, ist es in Ordnung, aber wenn es Dutzende von ihnen gibt? Welche Art von Mathematik würde helfen?
Der Algorithmus zur Mustererkennung sollte also unabhängig von der Anzahl der Balken sein. Das Problem kann leicht gelöst werden.
Frage für Kenner: Kann man einem neuronalen Netz beibringen, den "Blick" zu skalieren, sich zwischen Formen zu bewegen, sie zu größeren zu verallgemeinern und sie in kleinere zu unterteilen, und sich dabei konsequent wie ein Mensch zu identifizieren?
Verstehen Sie persönlich, wie ein Mensch das macht?
Der Algorithmus zur Mustererkennung muss also unabhängig von der Anzahl der Balken sein. Dies ist leicht zu lösen.
Es handelt sich um eine mathematische Methode, nicht um einen Algorithmus, der komplexe Muster aus einer beliebigen Anzahl von Balken erkennen kann. Ich habe es selbst versucht, aber ich konnte keine Muster von mehr als 4 Takten mathematisch bestimmen.
Was meinen Sie mit "mathematisch"? Vergleich der Werte von OCHL-Parametern innerhalb einer Reihe von Bedingungen und Auflistung von Varianten ihrer Beziehungen: if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
Verstehen Sie persönlich, wie ein Mensch das macht?
Ich spreche von einer mathematischen Methode, nicht von einem Algorithmus, der angeblich komplexe Muster aus einer beliebigen Anzahl von Balken bestimmen kann. Ich habe es selbst versucht, aber ich konnte mathematisch keine Muster von mehr als 4 Takten erkennen.
Was meinen Sie mit "mathematisch"? Vergleich der Werte der OCHL-Parameter innerhalb eines Bedingungskomplexes und Auflistung der Varianten ihrer Beziehungen: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;