Búsqueda de un patrón arbitrario mediante una red neuronal - página 4
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
Única clasificación. La red aprende a distinguir situaciones (imágenes), pero no puede saber qué hacer en cada caso ni cómo llamar a cada imagen.
Estás completamente confundido y estás engañando a la gente. La clasificación puede ser con o sin profesor. Si enseñamos la red con un profesor, por regla general, la variable de salida se compone de 0 y 1 y en este caso, la variable de salida es una llamada a la acción. (0 para vender 1 para comprar) y la red intentará dividir los vectores de entrada en estas dos clases. Para ser más exactos, intentará asignar cada vector de entrada a una u otra clase. Taks.... Este vector pertenece a uno y éste a cero.
La enseñanza sin profesor implica la configuración inicial del parámetro "Número de clases". Digamos que hay una muestra de 1000 entradas, y las descompongo en dos clases una clase será 0 y la otra naturalmente será 1. Sólo hay que repartirlos en dos montones según la distancia de los datos. Al fin y al cabo, si se imagina el vector de entrada como las coordenadas de un punto en un espacio multidimensional, la distancia entre los puntos es esencialmente lo que determina la agrupación de las dos nubes de 500 puntos cada una. No intentes imaginar un espacio multidimensional. Imagina que es tridimensional. Ordinario. Como resultado, tenemos una nube de puntos que tenemos que dividir.
En el primer caso, los dividimos a la fuerza de tal manera que la respuesta de la red se acerque lo más posible a la función objetivo, tratando de acercarse lo más posible a ella mientras se intenta impedir la optimización. Es decir, cualquier nube de puntos puede dividirse como se desee simplemente cambiando su color. Aquellos que llevaron a un beneficio al vender 0 y aquellos al comprar 1, es otra cosa si dibujamos un hiperplano entre ellos y dejamos los ceros a la derecha del plano, y los unos - a la izquierda. Como ejemplo.
En el segundo caso, cuando el aprendizaje tiene lugar sin profesor, nos limitamos a colorear estos puntos en rojo y azul únicamente por su proximidad entre sí en el espacio multidimensional. Además, este método tiene una opción en la que no especificamos en cuántas clases dividir la muestra, la propia red determina cuántas clases hay en la muestra y el número de clases será un resultado importante de la optimización. Acabo de descubrirlo. Esto es lo que quiero mostrarte. Supongamos que el optimizador divide nuestros 1000 vectores en 5 clases. ¿Qué debemos hacer con ellos? Hoo de Hoo?? Ahora ta daaaaaaaaaa.... bueno, hay una especie de fanfarria, sólo que no se oye :-)
Una vez que tenemos las 5 clases tenemos que clasificar manualmente qué nube va a dónde. Cómo hacerlo. Primero debemos comprobar una clase para cada nube y luego para otra y comprobar la nube que tiene menos errores. Y si se tiene en cuenta que hay cuatro clases en la clasificación binaria, voy a interpretar muy tranquilamente el resultado de la optimización como una instrucción para la acción y ser así.
La diferencia entre los dos enfoques es sólo que en un método la instrucción de acción se prepara antes de la optimización y en otro método se prepara después. Y puedes intentar averiguar cuál es mejor. Así pues, .... esto se me acaba de ocurrir....
Estás confundido y estás engañando a la gente. La clasificación puede ser con o sin profesor...
Sí... En primer lugar, "enter" se escribe con una inflexión. 2 - Si todas las vacas tienen cuernos, y un alce también tiene cuernos, no se convierte en una vaca.
La palabra "manualmente" también se conjuga. Y es exactamente lo mismo que "a mano" con "maestro". Es lo mismo, pero desde un ángulo diferente. Sin un profesor, es sólo una clasificación.
La representación de la clasificación como un conjunto de puntos en el espacio y su proximidad no es el punto aquí, los valores reales del precio no son de interés aquí. Aquí la clasificación se hace de forma diferente.
*
En general, decía que las redes neuronales no pueden pensar de forma independiente, no pueden pensar en absoluto. Para que las redes neuronales sean útiles, hay que enseñarlas. Y para enseñarlos se necesitan pares de entrada-salida (condición-resultado).
De todos modos, los términos "con profesor" y "sin profesor" están obsoletos. La enseñanza con un profesor puede ser automatizada. Y el aprendizaje "sin maestro" es sólo una frase intrigante, para las naturalezas crédulas e impresionables.
...
La única diferencia entre ambos enfoques es que en un método las instrucciones de actuación se preparan antes de la optimización y en el otro después. Pues bien, trata de averiguar cuál es la correcta. Así pues, .... que me recuerda a ....
Y aquí tienes.
Exactamente. En primer lugar, hay que preparar 100500 ejemplos de diferentes "cabezas y hombros" para él y enseñarlo sobre estos ejemplos.
En realidad, los patrones de precios pueden ser descritos por las matemáticas, no se necesita NS para eso. Pero un intento de encontrar los signos de un patrón falso es exactamente la tarea para el NS.
Sin embargo, es controvertido. Si el patrón contiene 3-4 compases podemos utilizarlo, pero ¿qué pasa si tenemos decenas de ellos? ¿Cómo pueden ayudarnos las matemáticas en este caso?
No está claro cómo una red neuronal cambia el "enfoque de la vista" sobre un patrón. Por ejemplo, un patrón de"Ondas de Elliott" consiste en cinco ondas donde cada onda es un patrón independiente. En un patrón grande se puede ver una variedad de formas pequeñas.
¿Quizás si una red neuronal se entrena para ver toda la variedad de patrones, podría descomponer un patrón en muchas formas, y volver a montar muchas formas en un patrón común? ¿O eso está más allá de la capacidad técnica?
Sin embargo, es discutible. Si hay 3-4 barras en un patrón, está bien, pero si hay docenas de ellas? ¿Qué tipo de matemáticas ayudarían?
Así que el algoritmo de reconocimiento de patrones debe ser invariable al número de barras. Se puede resolver fácilmente.
Pregunta para los entendidos: ¿se puede enseñar a una red neuronal a escalar la "vista", moviéndose entre las formas, generalizándolas en otras más grandes y dividiéndolas en otras más pequeñas, identificándose sistemáticamente como lo hace un humano?
¿Entiende usted personalmente cómo lo hace una persona?
Así que el algoritmo de reconocimiento de patrones debe ser invariable al número de barras. Esto tiene fácil solución.
Es un método matemático, no un algoritmo que puede detectar patrones complejos a partir de cualquier número de barras. Lo he intentado yo mismo, pero no he podido determinar matemáticamente patrones de más de 4 compases.
¿Qué quiere decir con "matemáticamente"? Para comparar los valores de los parámetros OCHL dentro de un conjunto de condiciones y listar las variantes de sus relaciones: if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
¿Entiende usted personalmente cómo lo hace una persona?
Estoy hablando de un método matemático, no de un algoritmo que supuestamente puede determinar patrones complejos a partir de cualquier número de barras. Lo intenté yo mismo, pero no pude identificar matemáticamente patrones de más de 4 compases.
¿Qué quiere decir con "matemáticamente"? Para comparar los valores de los parámetros OCHL dentro de un complejo de condiciones y listar las variantes de sus relaciones: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;