red neuronal y entradas

 

Hola a todos. Me interesé por el tema de las ns, leí dos libros, en general entiendo lo que hay. Normalizar las entradas, no tiene sentido elegir el tipo ns - msp (o rbf) puede hacer frente a la mayoría de las tareas... ¿pero qué pasa con las entradas? Aquí, la mayoría se divide en dos bandos: los que dicen que los indicadores sobre las entradas son necesarios (y hacen hincapié en eso) y los que creen que no es necesario en absoluto: la mayoría de los indicadores ns pueden reproducir, por lo que si es necesario ns creará el "indicador" necesario dentro de sí mismo.

Tal vez, mediante alguna selección de indicadores útiles disminuimos el área de búsqueda (más exactamente, imponemos una determinada dirección de búsqueda), pero lo ideales que nosotros mismos elijamos los métodos de análisis de datos. ¿Es correcta mi afirmación de lego? ¿Quizás haya que crear condiciones especiales en la NS para ello?

 
Tienes mucha razón en que el tipo de red no es tan importante, lo principal son las entradas, y por supuesto la salida. Sólo hay que encontrar las entradas adecuadas para la red y hará maravillas, pero cómo encontrarlas????? La simple normalización no lo hará.....
 
nikelodeon:
Tienes mucha razón en que el tipo de red no es tan importante, lo principal son las entradas, y por supuesto la salida. Sólo hay que encontrar las entradas adecuadas para la red y hará maravillas, pero cómo encontrarlas????? La simple normalización no lo hará.....


¿Su pregunta es una pista o es una cuestión social? :)

 

1. si se toma la primera posición, lo principal es encontrar el conjunto adecuado de indicadores.

2. si se toma la segunda posición, hay dos componentes principales: 1. la normalización de los datos. 2.proporcionar datos del historial utilizando el filtro (eliminar la información innecesaria).

En cuanto a la segunda, me gustaría añadir. Generalmente quería alimentar los ticks filtrados a las entradas (Renko regular), porque miro el gráfico de intervalo de tiempo con escepticismo. Pero para dividir los precios en zonas filtradas (por ejemplo, 5). Cuanto más cerca del precio real, más bajo es el periodo renko, cuanto más lejos, más alto. Es decir, cuanto más lejos estén los datos del presente, menos afectan a la condición actual, por lo que aumentamos el filtrado.

Pero dejé los ticks, porque es difícil crear un sistema de recepción de datos de precios actuales y conectarlo con el historial de ticks, decidí jugar con intervalos de tiempo, aunque la filosofía básica no ha cambiado.

 
Es sencillo: las entradas y salidas deben dar la información más adecuada (correcta) a la red neuronal sobre los patrones existentes del instrumento con el que se negocia para obtener una equidad creciente.
 
Permítanme intervenir para no hacer nuevos temas. ¿Quién normaliza las señales de entrada? ¿Y qué señales en la salida son más convenientes para operar? Me he hartado de los Persaptrons primitivos, he construido una red, he normalizado las señales en todas las capas, pero la salida es un misterio, y hay muchas incertidumbres.
 
grell:
Me permitiré interferir, para no multiplicar los temas. ¿Quién normaliza las señales de entrada? ¿Y qué señales son más convenientes para operar en la salida? Me he cansado de los psaptrones primitivos, he construido una red, he normalizado las señales en todas las capas, pero hay un gran dilema con la salida, y hay muchas incertidumbres sobre las cosas pequeñas.

Estás haciendo preguntas extrañas) Hay dos tareas principales que suelen ser resueltas por NS en nuestro dominio de aplicación: la clasificación y la regresión. A partir de ahí, se construye la red, se elige su tipo y arquitectura y se interpreta su salida en consecuencia. Si la salida será la pertenencia de la entrada establecida a alguna clase, o el valor del precio de mañana (condicionalmente). ¿Qué hace su red? ¿Qué le enseñas?

La normalización de las entradas es sencilla, aunque puede haber matices en función de la entrada y sus características (la entrada de NS puede ser compuesta, por ejemplo). Para un conjunto de entrada "homogéneo", la variante más sencilla y normalmente suficiente es una transformación lineal en un rango determinado [a;b]. Dependiendo de las características del conjunto de entrada, es posible realizar transformaciones adicionales para mejorar la distinguibilidad, por ejemplo...

Lee artículos, yo he aprendido algo de ellos en mi época (todos están disponibles en la escuela de neurociencia y no tiene sentido exponerlos aquí):

Presentación de los datos de entrada en las tareas de predicción de las redes neuronales Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.

Transformación de los datos de entrada de la red neuronal para mejorar su distinción. Krisilov V.A., Kondratyuk A.V.

Aceleración del aprendizaje de las redes neuronales mediante la simplificación adaptativa de las muestras de aprendizaje. Krisilov V.A., Chumichkin K.V.

Estimación preliminar de la calidad del muestreo de entrenamiento para redes neuronales en tareas de previsión de series temporales. Tarasenko R.A., Krisilov V.A.

La elección del tamaño de la descripción de una situación durante la formación de la selección de entrenamiento para las redes neuronales en las tareas de previsión de series temporales. Tarasenko R.A., Krisilov V.A.

Aumento de la calidad y la velocidad de entrenamiento de las redes neuronales en una tarea de previsión del comportamiento de las series temporales. Oleshko D.N., Krisilov V.A.

 
Figar0:

Estás haciendo preguntas extrañas) Hay dos tareas principales que suelen ser resueltas por NS en nuestro dominio de aplicación: la clasificación y la regresión. A partir de ahí, se construye la red, se elige su tipo y arquitectura y se interpreta su salida en consecuencia. Si la salida será la pertenencia de la entrada establecida a alguna clase, o el valor del precio de mañana (condicionalmente). ¿Qué hace su red? ¿Qué le enseñas?

La normalización de las entradas es sencilla, aunque puede haber matices en función de la entrada y sus características (la entrada de NS puede ser compuesta, por ejemplo). Para un conjunto de entrada "homogéneo", la variante más sencilla y normalmente suficiente es una transformación lineal en un rango determinado [a;b]. Dependiendo de las características del conjunto de entrada, es posible realizar transformaciones adicionales para mejorar la distinguibilidad, por ejemplo...

Lee artículos, yo he aprendido algo de ellos en mi época (todos están disponibles en la escuela de neurociencia y no tiene sentido exponerlos aquí):

Presentación de los datos de entrada en las tareas de predicción de las redes neuronales Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.

Transformación de los datos de entrada de la red neuronal para mejorar su distinción. Krisilov V.A., Kondratyuk A.V.

Aceleración del aprendizaje de las redes neuronales mediante la simplificación adaptativa de las muestras de aprendizaje. Krisilov V.A., Chumichkin K.V.

Estimación preliminar de la calidad del muestreo de entrenamiento para redes neuronales en tareas de previsión de series temporales. Tarasenko R.A., Krisilov V.A.

La elección del tamaño de la descripción de una situación durante la formación de la selección de entrenamiento para las redes neuronales en las tareas de previsión de series temporales. Tarasenko R.A., Krisilov V.A.

Aumento de la calidad y la velocidad de entrenamiento de las redes neuronales en una tarea de previsión del comportamiento de las series temporales. Oleshko D.N., Krisilov V.A.


La red predice antes, la salida son dos valores en el rango [-1;1]. Primero introduzco 8 valores en la entrada de la red, luego normalizo al rango [-1;1] sin desplazar el cero. Luego normalizo por pesos y capas de la misma manera. La salida es una previsión de los dos fractales más cercanos con su posición relativa respecto a la barra 0. No existe una vinculación cuantitativa. Es decir, si la salida es -1 y 0,5, significa que el fractal más cercano es dos veces menor que Open[0] y el siguiente es mayor que Open[0]. Y por analogía, si los valores son 0,3 y 1, entonces ambos fractales son mayores que Open[0]. Gracias por la selección. Y las preguntas son extrañas en su opinión. En mi cabeza (mente) todo es claro y comprensible. Y los esquemas, y métodos de enseñanza, y formación, e interpretaciones. Pero cuando se trata de describir la máquina, el estupor.
 

Si las señales introducidas en la entrada y la salida de la red no llevan ninguna información útil para la red, la normalización es inútil.

Y si estas señales son portadoras de información útil, en principio no importa cómo y con qué normalizarlas: lo principal es no difuminar esta información contenida ))))

 
LeoV:
Si las señales de entrada y salida de la red no proporcionan información útil para la red, es inútil normalizarlas )))

¿Qué señales de entrada crees que contienen información útil?) Sinceramente, me da igual lo que pase en la capa oculta, ya sean recetas de tartas de los pueblos del mundo, lo principal es que la salida sea información útil, y la entrada la proporcionaré informativa.
 
LeoV:
Si las señales alimentadas a la entrada y a la salida de la red no llevan información útil para la red - es inútil normalizar )))

¡О! ¡Leonid! ¡Feliz Navidad! ¡Éxito en los negocios y buena salud!

¿Cómo va el proyecto?

¿http://www.neuroproject.ru/demo.php?

Yo mismo quería acercarme a los neuroexperimentos.

¿Qué crees que es relevante en este momento, puedes compartir tus ideas sobre neuro?

Gracias.