Réseaux neuronaux hybrides. - page 19
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
C'est la première année d'université. En fait, je suis passé par là au lycée. La seule chose qui compte est le professeur, c'est-à-dire essentiellement le type d'erreur dans la sortie du réseau.
Ce qui est important, c'est l'énoncé du problème. La façon dont nous enseignons (l'enseignant) l'erreur à la sortie du réseau est d'une importance secondaire.
Ce qui est important, c'est l'énoncé du problème. La façon dont nous formons (enseignons) l'erreur dans la sortie du réseau est secondaire.
Un réseau neuronal apprenant à additionner 2+3 aura une erreur MSE. Un réseau neuronal apprenant la reconnaissance des formes aura une erreur différente. Ou bien suggérez-vous d'interpréter l'énoncé du problème en d'autres termes ?
Un réseau neuronal apprenant à additionner 2+3 aura une erreur MSE. Un réseau neuronal apprenant la reconnaissance des formes aura une erreur différente. Ou bien suggérez-vous d'interpréter l'énoncé du problème en d'autres termes ?
L'énoncé du problème est ce que vous essayez de faire, avec un réseau. Prenons un exemple. Soit une fonction x(t) = 4*x(t-1)*(1 - x(t-1)).
Nous allons approximer sa valeur pour t=100, 150 ; respectivement construire un échantillon d'entraînement et un échantillon de test comme extension de l'échantillon d'entraînement.
X0 = 0,2, échantillon de formation - 100, éléments de 1 à 100. Celui de la formation comporte 50 éléments de 100 à 150.
Dans l'atacha .rar il y a des graphiques :
learning-1.gif - échantillon de formation
test-1.gif - test
learning-2.gif - distribution des valeurs de l'échantillon d'entraînement
Commençons à former, respectivement, l'entrée X et l'attente X+1 à la sortie, le réseau 1-6-1. Entraînement par la méthode du gradient avec étape adaptative.
Ainsi, la paire d'apprentissage {X,D}, où D=X(t+1)
Dans le processus de formation, nous avons
MSE : 0.3549103488
Époque : 3375
error.gif - graphique d'erreur
Testons sur l'échantillon de test
Erreur de test
MSE : 0.7089074281
test-2.gif - tracé de test, données de sortie attendues et ce que le modèle de réseau montre.
test-3.gif - graphique de la distribution de la valeur de l'échantillon de test
C'est-à-dire que l'objectif a été atteint
comment ajuster le taux d'apprentissage de manière non linéaire ?
Dans ce cas, j'ai utilisé une étape adaptative, qui est calculée en fonction de dE/dW.
rip, comment appliquer cette fonction au forex ? Calculez-vous également les MSE ?
rip, comment appliquer cette fonction au forex ? Calculez-vous également le MSE ?
Pas du tout :) C'est juste une des fonctions de test pour voir si le réseau fonctionne correctement.
Pas du tout :) C'est juste une des fonctions de test, qui permet de voir, si le réseau fonctionne correctement.
Je fais référence à la méthode d'arrêt de l'apprentissage. Quel critère utilisez-vous pour cela par rapport au forex ? Dans cet exemple, vous avez utilisé l'erreur quadratique moyenne.
Je fais référence à la méthode d'arrêt de l'apprentissage. Quel critère utilisez-vous pour cela par rapport au forex ? Dans cet exemple, vous avez utilisé l'erreur quadratique moyenne.
MSE