¿Cómo se evalúa en la práctica la contribución de una aportación "específica" al SN? - página 4

 

También podemos proponer la siguiente variante: para simplificar tomamos NS con tres entradas.

Y aplicar las 20 entradas y dejar que el optimizador encuentre la mejor combinación de 3 entradas por sí mismo mediante el criterio, por ejemplo, de una carrera hacia adelante para una reducción mínima.

Algo así.

 
Swetten:

También podemos proponer la siguiente variante: para simplificar tomamos NS con tres entradas.

Y aplicar las 20 entradas y dejar que el optimizador encuentre la mejor combinación de 3 entradas por sí mismo mediante el criterio, por ejemplo, de una carrera hacia adelante para una reducción mínima.

Algo así.

Eso es seguro. Todo el mundo puede elegir: leer un libro o desarrollar una fantasía desenfrenada.
 
Figar0:

No es exactamente el viernes, pero ...

Hay un NS, cualquier NS, hay una entrada A={A1, A2, .... A20}. Entrene al NS y obtenga un resultado satisfactorio. ¿Cómo evaluamos en la práctica la contribución de cada elemento de la entrada A1, A2, ... ¿A20 a este resultado?

Las opciones que se me ocurren son:

1) Sumar y calcular de alguna manera todos los pesos con los que el elemento pasa por la red. No tengo muy claro cómo hacerlo, tendría que sumergirme en el funcionamiento de la red y calcular de alguna manera algunos coeficientes, etc.

2) Intenta "poner a cero" de alguna manera, o por ejemplo, invertir un elemento del vector de entrada y ver cómo afecta al resultado final. De momento me he decidido por él.

Pero antes de realizar esta segunda variante decidí pedirme consejo. ¿Quién puede haber pensado en este tema más tiempo que yo? ¿Tal vez alguien pueda aconsejarme algún libro-artículo útil?

Propongo escribir un indicador y ejecutarlo en una ventana separada.

Las líneas indicadoras darían lugar a observaciones cognitivas muy interesantes.

Las líneas indicadoras pueden ser: salidas de sumadores de neuronas; salidas de neuronas después de transductores no lineales; posiblemente salidas de comités, etc. Todo depende sólo de sus deseos y fantasías.

Esta visibilidad ayudará a "penetrar" en esta caja negra y a entender cómo sucede/funciona todo allí.

 
faa1947:
Eso es seguro. Todo el mundo puede elegir: leer un libro o desarrollar una fantasía desenfrenada.

Sólo para que conste, este es el método descrito en los libros.

Tal vez no en la forma que he presentado aquí, pero es esencialmente correcto.

 
LeoV:

El grado de influencia de cada uno de los insumos es casi imposible de estimar de forma realista .

No lo sé. En relación con las otras entradas, está bien. Sólo hay que normalizar las entradas.

Así que tomamos las salidas predichas como punto de referencia y para cada entrada de todos los patrones calculamos el error RMS para algún desplazamiento muy pequeño de una determinada entrada.

 
faa1947:

Aplicar un enfoque sólido basado en pruebas fuera de su contexto econométrico plantea cuestiones infantiles.

Haciendo una regresión:

Beneficio = s(1) * A0 + ... s(n) * A(n)

Estimamos los coeficientes de esta regresión.

Inmediatamente obtenemos

probabilidad de que un coeficiente específico sea igual a cero - eliminar dicha entrada

probabilidad de que todos los coeficientes sean iguales a cero en conjunto

utilizando las elipses obtenemos los coeficientes de correlación

realizar la prueba de entradas redundantes

realizar una prueba sobre las entradas que faltan

comprobar la estabilidad de los valores de los coeficientes (evaluar la aleatoriedad de su cambio)



Un hombre inteligente vino y dio una respuesta adulta a mi pregunta infantil) Gracias a eso. No sólo la regresión y el NS no son exactamente lo mismo, sino que la opción propuesta no es, al menos, más sencilla. Estimamos, obtenemos, conducimos, conducimos... Y no está claro cómo interpretar los resultados obtenidos en un sistema muy diferente. ¿Es bueno o malo el MACD? ¿Puede una ST utilizarlo y la otra no?

Swetten:

También podemos proponer la siguiente variante: tomamos un NS con tres entradas para simplificar.

Alimentamos las 20 entradas y dejamos que el optimizador encuentre la mejor combinación de 3 entradas por sí mismo mediante el criterio, por ejemplo, de una carrera hacia adelante para una reducción mínima.

Algo así.


Hice exactamente lo mismo, pero lo invertí y no tomé ninguna entrada y creé combinaciones de ellas, excluí entradas y algunas combinaciones de ellas y observé el resultado, que es lo mismo. Encender, apagar: ¿cuál es la diferencia? Debido a las particularidades de la aplicación, me pareció más conveniente excluir.

faa1947:
Así es. Todo el mundo puede elegir: leer un libro o desarrollar una fantasía desenfrenada.


Por otra parte, también he preguntado por los libros de artículos. Nadie ha sugerido nada sobre el tema y tú tampoco. Vaya a la biblioteca de ciencia y tecnología y rece por la econometría, la única no-ciencia...) Aunque realmente no me importan los libros, si los hojeo en el baño con el objetivo de educar o culturizar, son de muy poca utilidad práctica y no tienen soluciones preparadas, porque están escritos por teóricos fundamentalistas o por científicos aplicados sin éxito. Y por mucho que se lean, sin "imaginación desbordada" no tienen ninguna utilidad práctica.

 
TheXpert:

No lo sé. En relación con las otras entradas, está bien. Sólo hay que normalizar las entradas.

Así que tomamos las salidas predichas como punto de referencia y para cada entrada de todos los patrones, calculamos el error RMS para algún desplazamiento muy pequeño de una determinada entrada.

Sí, o - en un NS entrenado contamos el error asignando cada entrada por turno a su media muestral.
 
Figar0: Un hombre inteligente llegó y dio una respuesta adulta a mi pregunta infantil) Bueno, gracias por eso. No sólo la regresión y el NS no son exactamente lo mismo, sino que la variante sugerida no es, al menos, más sencilla. Estimamos, obtenemos, conducimos, conducimos... Y no está claro cómo interpretar los resultados obtenidos en un sistema muy diferente. ¿Es bueno o malo el MACD? ¿Puede una ST utilizarlo y la otra no?

Por cierto, NS también es una regresión. La misma dependencia de la cuenta atrás actual con respecto a las anteriores. Pero esa no es la cuestión.

Lo que sugiere Faa es aplicable a la regresión lineal, y la red neuronal es una regresión no lineal.

 
Mathemat:

Por cierto, NS también es una regresión.

En absoluto en el caso general.
 
Pues entonces hay que preguntarle al autor del hilo qué red utiliza.