Diskussion zum Artikel "Selbstoptimierende Expert Advisors mit MQL5 und Python erstellen (Teil II): Abstimmung tiefer neuronaler Netze"
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
Neuer Artikel Selbstoptimierende Expert Advisors mit MQL5 und Python erstellen (Teil II): Abstimmung tiefer neuronaler Netze :
Modelle für maschinelles Lernen verfügen über verschiedene einstellbare Parameter. In dieser Artikelserie werden wir untersuchen, wie Sie Ihre KI-Modelle mithilfe der SciPy-Bibliothek an Ihren spezifischen Markt anpassen können.
Der Nelder-Mead-Algorithmus ist eine beliebte Wahl für verrauschte, nicht-differenzierbare und nicht-lineare multimodale Optimierungsprobleme. Der nach seinen Erfindern John Nelder und Roger Mead benannte Algorithmus wurde 1965 in ihrem Papier „A Simplex Method for Function Minimization“ vorgestellt. Es kann sowohl für univariate als auch für multivariate Optimierungsprobleme verwendet werden.
Der Nelder-Mead-Algorithmus stützt sich nicht auf abgeleitete Informationen, sondern ist ein Optimierungsalgorithmus für die Mustersuche. Es erfordert, dass der Nutzer einen Ausgangspunkt angibt. Je nach gewähltem Startpunkt kann der Algorithmus in einem trügerischen lokalen Optimum stecken bleiben. Daher kann es von Vorteil sein, die Optimierung mehrmals mit unterschiedlichen Ausgangspunkten durchzuführen, um die Chancen auf ein globales Optimum zu erhöhen.
Der Algorithmus arbeitet mit einer geometrischen Form, die Simplex genannt wird. Das Simplex hat einen Scheitelpunkt für jede Eingangsvariable und einen zusätzlichen Scheitelpunkt. Die Punkte (Scheitelpunkte) des Simplex werden ausgewertet, und anhand einfacher Regeln werden die Punkte auf der Grundlage ihrer Auswertungen verschoben. Der Algorithmus hat bestimmte Abbruchbedingungen, wie z. B. das Erreichen der maximalen Anzahl von Iterationen oder das Erreichen einer minimalen Änderung der Bewertungswerte. Wenn keine Verbesserungen erzielt werden oder die zulässige Anzahl von Iterationen überschritten wird, wird das Optimierungsverfahren abgebrochen.
Autor: Gamuchirai Zororo Ndawana