Recherche d'un motif arbitraire à l'aide d'un réseau neuronal - page 4
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
Seulement la classification. Le réseau apprend à distinguer des situations (images), mais il ne peut pas savoir ce qu'il faut faire dans tel ou tel cas ni comment appeler telle ou telle image.
Vous êtes complètement confus et vous induisez les gens en erreur. La classification peut se faire avec ou sans enseignant. Si nous enseignons le réseau avec un professeur, en règle générale, la variable de sortie est constituée de 0 et de 1. Dans ce cas, la variable de sortie est un appel à l'action. (0 pour vendre, 1 pour acheter) et le réseau essaiera de répartir les vecteurs d'entrée dans ces deux classes. Pour être plus exact, il essaiera d'affecter chaque vecteur d'entrée à l'une ou l'autre classe. Taks.... Ce vecteur est égal à un et celui-ci à zéro.
L'enseignement sans professeur implique le réglage initial du paramètre "Nombre de classes". Disons qu'il y a un échantillon de 1000 entrées, et que je les répartisse en deux classes : une classe sera 0 et l'autre sera naturellement 1. Il suffit de les disperser en deux piles selon la distance des données. Après tout, si vous imaginez le vecteur d'entrée comme les coordonnées d'un point dans un espace multidimensionnel, alors la distance entre les points est essentiellement ce qui détermine le regroupement des deux nuages de 500 points chacun. N'essayez pas d'imaginer un espace multidimensionnel. Imaginez en trois dimensions. Ordinaire. En conséquence, nous avons un nuage de points que nous devons partitionner.
Dans le premier cas, nous les partitionnons de force de manière à ce que la réponse du réseau soit aussi proche que possible de la fonction cible, tout en essayant de s'en rapprocher le plus possible tout en essayant d'entraver l'optimisation. En d'autres termes, tout nuage de points peut être divisé comme on le souhaite en changeant simplement leur couleur. Ceux qui ont permis de réaliser un bénéfice en vendant 0 et ceux qui ont permis d'acheter 1, c'est autre chose si on dessine un hyperplan entre eux et qu'on laisse les zéros à droite du plan, et les uns - à gauche. A titre d'exemple.
Dans le second cas, lorsque l'apprentissage se fait sans enseignant, nous colorons carrément ces points en rouge et bleu uniquement par leur proximité les uns des autres dans l'espace multidimensionnel. De plus, cette méthode dispose d'une option où nous ne spécifions pas en combien de classes diviser l'échantillon, le réseau lui-même détermine combien de classes il y a dans l'échantillon et le nombre de classes sera un résultat important de l'optimisation. Je viens de comprendre. Voici ce que je veux vous montrer. Supposons que l'optimiseur divise nos 1000 vecteurs en 5 classes. Que devons-nous faire d'eux ? Hoo de Hoo ??? Maintenant ta daaaaaaaaaa.... Il y a une sorte de fanfare en cours, mais on ne l'entend pas :-)
Une fois que nous avons les 5 classes, nous devons les classer manuellement pour savoir quel nuage va où. Comment le faire. Nous devons d'abord vérifier une classe pour chaque nuage, puis une autre et vérifier le nuage qui a le moins d'erreurs. Et si vous gardez à l'esprit qu'il y a quatre classes dans la classification binaire, je vais très calmement interpréter le résultat de l'optimisation comme une instruction d'action et être comme ça.
La différence entre les deux approches est que dans une méthode, l'instruction d'action est préparée avant l'optimisation et dans une autre méthode, elle est préparée après. Et vous pouvez essayer d'analyser lequel est le meilleur. So.... cela vient de me venir à l'esprit....
Vous êtes confus et vous induisez les gens en erreur. La classification peut se faire avec ou sans professeur...
Ouais... Tout d'abord, "entrer" s'écrit avec une inflexion. 2 - Si toutes les vaches ont des cornes, et qu'un élan a aussi des cornes, il ne devient pas une vache.
Le mot "manuellement" est également conjugué. Et c'est exactement la même chose que "à la main" avec "professeur". C'est la même chose, mais sous un angle différent. Sans professeur, ce n'est que de la classification.
La représentation de la classification comme un groupe de points dans l'espace et leur proximité n'est pas le sujet ici, les valeurs réelles du prix ne sont pas d'intérêt ici. La classification se fait ici d'une manière différente.
*
D'une manière générale, je disais que les neuronets ne peuvent pas penser de manière indépendante, ils ne peuvent pas penser du tout. Pour que les réseaux neuronaux soient utiles, ils doivent être enseignés. Et pour les enseigner, vous avez besoin de paires entrée-sortie (condition-résultat).
De toute façon, les termes "avec un professeur" et "sans professeur" sont obsolètes. L'enseignement avec un professeur peut être automatisé. Et apprendre "sans professeur" n'est qu'une phrase intrigante, pour les natures crédules et impressionnables.
...
La seule différence entre les deux approches est que dans une méthode, les instructions d'action sont préparées avant l'optimisation, dans l'autre après. Eh bien, essayez de trouver lequel est le bon. So.... qui me rappelle ....
Et voilà.
Exactement. Tout d'abord, vous devez lui préparer 100500 exemples de différentes "têtes et épaules" et l'enseigner sur ces exemples.
En fait, les modèles de prix peuvent être décrits par les mathématiques, vous n'avez pas besoin de NS pour cela. Mais c'est précisément la tâche des SN que d'essayer de trouver les signes d'un faux modèle.
Même si elle est controversée. Si le motif contient 3-4 mesures, nous pouvons l'utiliser, mais que faire si nous en avons des dizaines ? Comment les mathématiques peuvent-elles nous aider ici ?
La manière dont un neurone modifie le "point de vue" sur un motif n'est pas claire. Par exemple, un modèle de"Elliott Waves" se compose de cinq vagues où chaque vague est un modèle indépendant. Dans un grand motif, on peut voir une variété de petites formes.
Peut-être que si un réseau neuronal est entraîné à voir toute la variété des motifs, il pourrait décomposer un motif en plusieurs formes, et réassembler plusieurs formes en un motif commun ? Ou est-ce que cela dépasse les capacités du réseau ?
Mais c'est discutable. S'il y a 3-4 mesures dans un motif, c'est bien, mais s'il y en a des dizaines ? Quel type de mathématiques pourrait aider ?
L'algorithme de reconnaissance des formes doit donc être invariant par rapport au nombre de barres. Il peut être facilement résolu.
Question pour les connaisseurs : peut-on apprendre à un réseau neuronal à mettre à l'échelle la "vue", en passant d'une forme à l'autre, en les généralisant pour en faire des plus grandes et en les divisant en plus petites, en s'identifiant de manière cohérente comme le fait un humain ?
Comprenez-vous personnellement comment une personne s'y prend ?
L'algorithme de reconnaissance des formes doit donc être invariant par rapport au nombre de barres. Ce problème est facilement résolu.
Il s'agit d'une méthode mathématique, et non d'un algorithme, qui peut détecter des motifs complexes à partir d'un nombre quelconque de mesures. J'ai essayé moi-même, mais je n'ai pas réussi à déterminer mathématiquement des motifs de plus de 4 mesures.
Que voulez-vous dire par "mathématiquement" ? Pour comparer les valeurs des paramètres OCHL à l'intérieur d'un ensemble de conditions et lister les variantes de leurs relations : if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS ;
Comprenez-vous personnellement comment une personne s'y prend ?
Je parle d'une méthode mathématique, pas d'un algorithme censé pouvoir déterminer des modèles complexes à partir d'un nombre quelconque de mesures. J'ai essayé moi-même, mais je n'ai pas réussi à identifier mathématiquement les motifs de plus de 4 mesures.
Que voulez-vous dire par "mathématiquement" ? Pour comparer les valeurs des paramètres OCHL à l'intérieur d'un complexe de conditions et lister les variantes de leurs relations : if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS ;