La etiqueta del mercado o los buenos modales en un campo de minas - página 34
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
a Neutrón
Sergey, aquí hay un gráfico de lo que obtuve en Matkad. Aquí, la línea roja es la primera diferencia del seno de cinco miembros, y la línea verde son los intentos de la neurona por adivinar su comportamiento en el siguiente paso.
Parece que funciona.
Ahora haré la minuta del AUDUSD en Matcad. Ah, se me olvidó mencionar que esa era una neurona con entradas binarias, y la imagen de abajo es la misma neurona con entradas reales
Ahora haré la minuta del AUDUSD en Matcad.
Aguanta.
Vamos a presentar los resultados de su NS en la serie de modelos de una manera más informativa. Para el NS con entradas reales trazaremos el valor predicho del incremento de la PA teniendo en cuenta el signo y la amplitud en la abscisa, y el valor predicho - en la ordenada. Con un número suficiente de puntos experimentales, acabaremos con el siguiente cuadro:
Aquí, los puntos lilas muestran la muestra de entrenamiento, los puntos azules muestran la muestra de prueba, y los puntos negros muestran la muestra de prueba en una RV aleatoria. Se trazan líneas rectas a través de las nubes de datos utilizando el método de los mínimos cuadrados. El ángulo de inclinación de esta línea muestra la precisión de la previsión (cuanto más se acerque a 45 grados, más precisa será la previsión), la dispersión de los puntos en torno a la línea -varianza de la previsión-, la diferencia entre el ángulo de inclinación de la línea negra y la dirección horizontal -significación estadística de los resultados obtenidos y, al mismo tiempo, la ausencia de errores del algoritmo (por ejemplo, mirar hacia el futuro).
En el caso de los NS que trabajan con entradas binarias y se utilizan para predecir sólo el signo del movimiento esperado, podemos evaluar la precisión de la predicción con un solo parámetro: el % de aciertos exactos. Se puede calcular mediante la siguiente fórmula:
Donde, x[i ] es el valor de incremento real, y[i] es el valor previsto. Este procedimiento debe utilizarse tanto para la formación como para las muestras de prueba, es mejor tener n más de 100.
Haciendo. Por favor, aclara lo del método de los mínimos cuadrados: no sé qué es ni cómo se calcula. Ah, y una cosa más: ¿cómo se pegan las imágenes y fórmulas de Matkad en el foro?
Primero las copio en un editor gráfico y luego las recorto como sea necesario.
Sí, de la misma manera. Tengo una función de captura de pantalla en mi editor de gráficos que captura el área resaltada del monitor. También puedes hacer clic en el gráfico y copiarlo desde el menú contextual, etc.
Esta es la fórmula del MOOC:
Necesitas que las longitudes de los vectores x e y sean iguales. El método permite dibujar una línea que pase por un conjunto de puntos tal que la suma de todas las distancias de cada punto a esa línea sea el mínimo de todas las opciones posibles.
No me sale una nube como la de tu foto
Yo me encargo de esto:
Aquí en el eje de abscisas está la primera diferencia del seno de cinco miembros, en el eje de ordenadas está la previsión de la red
¿Tal vez sea el tipo de gráfico equivocado? Intenta conectar todos los puntos con líneas. Intentaré otra cosa ahora
Por lo tanto, en la configuración de los gráficos, seleccione la representación de puntos en lugar de la representación de puntos:
y colorea los puntos como quieras. Y mostrar la cuadrícula (ajustes en la ventana de la izquierda).
¡О! Sin embargo, ¡se está produciendo un bucle de histéresis!
Sergey, ¿no es lo mismo una muestra de entrenamiento que una muestra de prueba?
Mi neurona aprende cada vez sobre n muestras del vector de datos, y predice la n+1ª muestra (del mismo vector de datos). La diferencia entre la predicción de la parrilla y el valor real de la n+1ª muestra la utilizo para calcular la corrección. En estas condiciones, ¿cómo puedo trazar los gráficos de las muestras de entrenamiento y de prueba por separado?
El método permite trazar una línea que pase por un conjunto de puntos de forma que la suma de todas las distancias de cada punto a esa línea sea la mínima posible.
Permíteme corregirte. No son "distancias", sino "cuadrados de distancias".
Y, por cierto, no sólo los coeficientes de las líneas pueden ser calculados por el CNA.
Sergey, ¿no es lo mismo una muestra de entrenamiento que una muestra de prueba?
Mi neurona aprende cada vez sobre n muestras del vector de datos, y predice la n+1ª muestra (del mismo vector de datos). La diferencia entre la predicción de la parrilla y el valor real de la n+1ª muestra la utilizo para calcular la corrección. En estas condiciones, ¿cómo se pueden trazar los gráficos de las muestras de entrenamiento y de prueba por separado?
No importa cómo los definamos, lo importante es que hay muestras sobre las que se ha entrenado el NS y que se han predicho. Así se obtienen dos filas de puntos.
Permíteme corregirte. No son "distancias", sino "cuadrados de distancias".
Y, por cierto, no sólo se pueden calcular los coeficientes de las líneas rectas con el CNA.