"New Neural" es un proyecto de motor de red neuronal de código abierto para la plataforma MetaTrader 5. - página 76
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Probablemente sea una pregunta tonta.
¿Es posible clasificar vectores cuya dimensionalidad no es igual a N con un mapa de Kohonen ajustado a un vector de dimensión N? Básicamente, una persona clasificará una esfera con un círculo, un cuadrado con un cubo, una pirámide con un triángulo en una clase. Espero que la idea esté clara.
Probablemente sea una pregunta tonta.
¿Es posible clasificar vectores cuya dimensionalidad no es igual a N con un mapa de Kohonen ajustado a un vector de dimensión N? Básicamente, una persona clasificará una esfera con un círculo, un cuadrado con un cubo, una pirámide con un triángulo en una clase. Espero que la idea esté clara.
No, la idea no está clara. Una persona lee información de vídeo con la misma matriz de entradas. Los receptores del ojo no son ni más ni menos.
Si propones dar vectores de diferentes dimensiones, ¿cómo esperas que la red responda adecuadamente?
Probablemente sea una pregunta tonta.
¿Es posible clasificar vectores cuya dimensionalidad no es igual a N con un mapa de Kohonen ajustado a un vector de dimensión N? Básicamente, una persona clasificará una esfera con un círculo, un cuadrado con un cubo, una pirámide con un triángulo en una clase. Espero que la idea esté clara.
Si se mira el cono desde abajo, es un círculo y desde el lado es un triángulo.
El cilindro también puede girar
Si se mira el cono desde abajo, es un círculo, pero en el lado es un triángulo
Un cilindro también puede retorcerse
Lo siento, soy nuevo en el mundo de los neurojuegos, así que esta puede ser una pregunta tonta.
Existe un conjunto de vectores X1,X2 . X1={x1,x2,x3,} . Y x1>> x3 , x2>>x3 . x1 y x2 de ambos vectores son aproximadamente iguales .Entonces resulta que en el espacio estos dos vectores estarán cerca . Aunque x3 describe la característica más importante. Para nuestros carneros, x1=media del período, x2=punto de vista del período, x3=dispersión, x4=componente de la tendencia. En este caso, la clasificación se basará principalmente en x1 y x2. Cómo evitar esta situación o estoy frenando intensamente de nuevo.
Lo siento, soy nuevo en el mundo de los neurojuegos, así que esta puede ser una pregunta tonta.
Existe un conjunto de vectores X1,X2 . X1={x1,x2,x3,} . Y x1>> x3 , x2>>x3 . x1 y x2 de ambos vectores son aproximadamente iguales .Entonces resulta que en el espacio estos dos vectores estarán cerca . Aunque x3 describe la característica más importante. Para nuestros carneros, x1=media del período, x2=punto de vista del período, x3=dispersión, x4=componente de la tendencia. En este caso, la clasificación se basará principalmente en x1 y x2. ¿Cómo se puede evitar esta situación o estoy frenando intensamente de nuevo?
¿Puede dar un ejemplo concreto y establecer una tarea específica?
Así es más fácil entender el punto
¿Puede dar un ejemplo concreto y establecer un objetivo específico?
Es más fácil entender la pregunta.
La tarea consiste en elegir un vector que divida el mercado en grupos: tendencia al alza, tendencia a la baja, tendencia al alza.
Por ejemplo, formemos una matriz de vectores según nuestra fantasía X{x1,x2,x3,x4,x5,x6,x7}
x1= periodo MA
x2= periodo de MA
x3= valor de MA
x4= valor de RAR
x5=dispersión, por ejemplo
x6= componente de tendencia de MA(N)-MA(N-1)
x7=número de intersecciones de MA y precio
Si agrupamos la matriz de estos vectores utilizando el mapa de Kohonen, veremos vectores cercanos. Resulta que la mayor influencia en las distancias euclidianas será x1,x2,x4, x7. Aunque las características x3,x5,x6 no son menos, si no más importantes. Podemos normalizar todas las x en el rango -1...1, pero no veo cómo. O puede tomar las características del mercado cerca de sus valores, en este caso obtenemos una comparación de moscas con chuletas.
La tarea consiste en encontrar un vector que divida el mercado en grupos de tendencia al alza, tendencia a la baja y tendencia al alza.
Por ejemplo, formemos una matriz de vectores según nuestra fantasía X{x1,x2,x3,x4,x5,x6,x7}
x1= periodo MA
x2= periodo de MA
x3= valor de MA
x4= valor de RAR
x5=dispersión, por ejemplo
x6= componente de tendencia de MA(N)-MA(N-1)
x7=número de intersecciones de MA y precio
Si agrupamos la matriz de estos vectores utilizando el mapa de Kohonen, veremos vectores cercanos. Resulta que x1,x2,x4,x7 influyen más en las distancias euclidianas. Aunque las características x3,x5,x6 no son menos, si no más importantes. Podemos normalizar todas las x en el rango -1...1, pero no veo cómo. O si tomamos las características del mercado cerca de sus valores, entonces obtenemos una comparación de moscas con chuletas.
Caballos, personas mezcladas... El periodo MA, el valor MA...
Si intentas utilizar programas ya hechos y su ayuda, puedes intentar comprender primero los problemas.
Deductor, NS2
Caballos, hombres... Periodo MA, valor MA
¿Quizás deberías intentar utilizar primero los programas ya hechos y su ayuda, para adentrarte en la problemática?
Deductor, NS2.
Estoy de acuerdo en que el ejemplo no es del todo correcto . Agrupamos a los caballos viejos y a los jóvenes jugadores de baloncesto según su altura, peso y edad. Peso=1/peso real . Si se trata de una situación en la que la altura y la edad son iguales, pero el peso es mucho menor que la altura y la edad (estamos comparando moscas con chuletas). Resulta que el peso casi no influye en el vector y el jugador de baloncesto no se distingue del caballo.