Was soll in den Eingang des neuronalen Netzes eingespeist werden? Ihre Ideen... - Seite 62
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
Im Zusammenhang mit dem Handel möchte ich Sie auch an den Ansatz von fxsaber erinnern, bei dem ein Plateau und nicht ein Top gesucht wird. Es zeigt sich auch, dass das Problem nicht eindeutig als Optimierungsproblem formalisiert ist.
Zurück zur technischen Umsetzung...
Eine Optimierung findet bei der Auswahl eines Splits im Baum statt.
Dafür gibt es verschiedene Formeln. Im Falle eines 100%igen Baumtrainings bestimmt diese Optimierung nur den Weg zum absoluten Datenlernen. Sie hat keinen Einfluss auf die Qualität des Lernens, sie beträgt 100%. Wahres Lernen wird nur als 100%iges Lernen verstanden.
Wenn wir aber untertrainieren, d.h. das Splitten vor dem vollständigen Auswendiglernen beenden, können wir bei verschiedenen Varianten dieses Pfades aufhören - dann werden das Modell und die Qualität des Lernens (Grad des Untertrainings) bei verschiedenen Split-Auswahlalgorithmen, unterschiedlicher Lerntiefe und unterschiedlicher Anzahl von Beispielen im Arbeitsblatt unterschiedlich sein.
Untertraining ist eine schlechte Idee, wenn es darum geht, eindeutige/exakte Daten zu lehren (Multiplikationstabelle, Ohmsches Gesetz, etc.). Je mehr Beispiele Sie zum Einprägen/Lernen geben, desto genauer wird die Antwort bei neuen Daten sein.
Bei Marktdaten muss man jedoch früher aufhören und eines der zu wenig gelernten Modelle auswerten und auswählen, um sich das Rauschen nicht zu merken. Daraus ergibt sich, dass für zu wenig gelernte/unverbesserte Modelle eine Optimierung und Auswertung erforderlich ist. Eine perfekt korrekte Datenbank braucht keine Auswertung, sie hat alles, was sie zum Trainieren braucht.
Lernen ist ein Prozess, nicht ein Ergebnis.
Es kann kein 100%iges oder 50%iges Lernen geben. Es gibt keine solchen Kategorien.
Die Qualität des Lernens wird nur durch die Validierung und die Überprüfung der Art und Weise, wie der Schüler die Lektionen gelernt hat, überprüft. Sie wird nicht dadurch geprüft, dass die Lernenden einfach nur dem Lehrer nachsprechen oder ihre Notizen ablesen.
Die Fähigkeit, zu lernen und sich etwas zu merken, ist bei allen Modellen unterschiedlich, reduzieren Sie nicht alles auf Bäume und Wälder.
Und genau hier liegt die Magie, denn der dümmere Schüler (das Modell) ist oft ein besserer Prognostiker als der klügere. Das ist genau wie im Leben. Und dafür gibt es eine Begründung.
All dies ist in der Theorie des maschinellen Lernensniedergeschrieben , von der hier noch niemand etwas gehört hat, obwohl sie die Basis der Grundlagen ist.
Es gibt Magie in der Welt von MO, aber nicht diesen ganzen Unsinn von Ihnen.Dies ist ein Optimierungsabschnitt über die Minimierung einer verrauschten Funktion. Rauschfunktionsoptimierung oder so ähnlich, ich schreibe aus dem Gedächtnis.
Zurück zur technischen Umsetzung...
Eine Optimierung findet bei der Auswahl eines Splits im Baum statt.
Dafür gibt es verschiedene Formeln. Im Falle eines 100%igen Baumtrainings bestimmt diese Optimierung nur den Weg zum absoluten Datenlernen. Sie hat keinen Einfluss auf die Qualität des Lernens, sie beträgt 100%. Wahres Lernen wird nur als 100%iges Lernen verstanden.
Wenn wir aber untertrainieren, d.h. das Splitten vor dem vollständigen Auswendiglernen beenden, können wir bei verschiedenen Varianten dieses Pfades aufhören - dann werden das Modell und die Qualität des Lernens (Grad des Untertrainings) bei verschiedenen Split-Auswahlalgorithmen, unterschiedlicher Lerntiefe und unterschiedlicher Anzahl von Beispielen im Arbeitsblatt unterschiedlich sein.
Untertraining ist eine schlechte Idee, wenn es darum geht, einwertige/exakte Daten (Multiplikationstabelle, Ohmsches Gesetz, etc.) zu lernen. Je mehr Beispiele Sie zum Einprägen/Lernen geben, desto genauer wird die Antwort bei neuen Daten sein.
Bei Marktdaten muss man jedoch früher aufhören und eines der zu wenig gelernten Modelle auswerten und auswählen, um sich das Rauschen nicht einzuprägen. Daraus ergibt sich, dass bei zu wenig gelernten/unverbesserten Modellen eine Optimierung und Auswertung erforderlich ist. Eine perfekt korrekte Datenbank braucht keine Auswertung, sie hat alles, was sie zum Trainieren braucht.
Nun, das ist nicht der Fall. Die Genauigkeit der Antworten auf neue Daten (und mit neuen Daten meinen wir andere Daten als die Trainingsdaten) hängt von den Eigenschaften jedes einzelnen Modells ab, nicht von der Anzahl der Trainingsbeispiele.
Betrachten wir den Fall der regularisierten Daten. Multiplikationstabelle, zum Beispiel. Je mehr Beispiele Sie geben, desto genauer werden die Antworten auf den neuen Daten sein.
Die neuen Daten sollten nicht völlig unterschiedlich sein, sondern zwischen den Trainingsbeispielen liegen. D.h. die Interpolation wird mehr oder weniger gut funktionieren. 1 Baum ergibt das nächstgelegene Trainingsbeispiel. Wenn Sie mit anderen Daten Daten außerhalb der Grenzen der Trainingsdaten meinen, ist dies bereits eine Extrapolation. Der Baum wird ein extremes Beispiel liefern, weil es am nächsten liegt.
Wenn wir Marktdaten betrachten, dann wird bei einem großen Rauschwert jeder Peak des wahren Musters mit Rauschpeaks vermischt, und wir müssen irgendwie den wahren Peak und nicht den Rauschpeak auswählen. Ihre Aussagen sind hier korrekt.
Betrachten wir den Fall von gemusterten Daten. Multiplikationstabellen, zum Beispiel. Je mehr Beispiele Sie geben, desto genauer werden die Antworten auf die neuen Daten sein.
Die neuen Daten sollten nicht völlig anders sein, sondern zwischen den Trainingsbeispielen liegen. D.h. die Interpolation wird mehr oder weniger gut funktionieren. 1 Baum ergibt das nächstgelegene Trainingsbeispiel. Wenn Sie mit anderen Daten Daten außerhalb der Grenzen der Trainingsdaten meinen, ist dies bereits eine Extrapolation. Der Baum liefert das äußerste Beispiel, weil es am nächsten liegt.
Wenn wir Marktdaten betrachten, dann wird bei einem großen Wert des Rauschens jeder Peak des wahren Musters mit den Rauschpeaks vermischt und wir müssen irgendwie den wahren Peak und nicht den Rauschpeak auswählen. Ihre Aussagen sind hier korrekt.
Wir wissen nichts über das Vorhandensein oder Nichtvorhandensein von Mustern. Wir führen nur das Training durch und sprechen über dasselbe.
Wir sprechen über den gemeinsamen Ansatz und was er bedeutet(Magie). Die Magie des Lernens ist für den Durchschnittsmenschen kontra-intuitiv, weil die Leute nicht den Dreh raus haben :)
Warum es wichtig ist, nicht zu viel zu trainieren, und warum es wichtig ist, nicht zu wenig zu trainieren. Warum es wichtig ist, die Anzahl der Eigenschaften und Parameter zu reduzieren. usw. usw. usw.Erläutern Sie den folgenden Gedanken:
Beides ist Ausbildung. Im 1. Fall wird eine Regel/ein Gesetz gelehrt. Im 2. Fall werden die Antworten aus dem 1. Fall erlernt.
Natürlich ist das Lehren von Regeln, Formeln und Gesetzen effektiver, denn mit einer kleinen Formel kann man Millionen von Antworten erhalten, ohne sie auswendig zu lernen.
Hier im Forum gab es Threads über die Gesetze des Marktes und Grals. Vielleicht gibt es ein Gesetz, aber der Lärm überlagert es(
Beides ist Ausbildung. Im 1. Fall wird eine Regel/ein Gesetz gelehrt. Im zweiten Fall werden die Antworten aus dem ersten Fall gelernt.
Natürlich ist das Lehren von Regeln, Formeln, Gesetzen effektiver, denn wenn man eine kleine Formel besitzt, kann man Millionen von Antworten bekommen, ohne sie auswendig zu lernen.
Hier im Forum gab es Threads über die Gesetze des Marktes und Grals. Vielleicht gibt es ein Gesetz, aber der Lärm überlagert es(
Nochmal: Alle reden von Rauschen. Aber wie können wir Rauschen definieren, wenn wir die Regeln und Gesetze nicht kennen? Was, wenn jeder Tick eine Komponente von Regeln und Gesetzen ist und das Problem in der Unfähigkeit der Architekturen liegt, den "Code" eines Charts zu entschlüsseln?
Es scheint hier ein Postulat zu sein (die Idee des Rauschens in einem Kursdiagramm)
Ausbildung erfordert richtiges Ausbildungsmaterial. Moderne MOEs sind zu gut, um sich darüber zu beschweren.
Bei der MOE mit einem Lehrer wird überhaupt nicht nach spärlichen Mustern in den Daten gesucht. Es geht darum, dass sie in der Trainingsstichprobe in sinnvoller Menge vorhanden sind.