Previsione di serie temporali con Deductor Academic 5.2 - pagina 5

Nuovo commento
 
Mostra tutto, curve e forza.
 
Tutto dipende dalle cornici e dalle impostazioni. Dal 70% al 95%.
 
AAAksakal:
Tutto dipende dalle cornici e dalle impostazioni. Dal 70% al 95%.
Da qualche parte così, ma su notizie forti ahimè.
 
Non gli importa delle notizie. Ricevo le notizie dalle previsioni di Ded.
 
AAAksakal:
Sì, tutto quello che mostra e le inversioni e la forza.

Le prove sono molto gradite. È una grande novità che sia possibile prevedere su sezioni BP instabili. Lei è l'unico che afferma questo, non conosco gli altri.
 
Non è grato di provare qualcosa, infatti è molto difficile fare buone previsioni. Molti fattori influenzano la creazione di una previsione accurata, per esempio la seguente cosa, se si fa una previsione è meglio farla all'inizio della giornata, non si dovrebbe fare una previsione nel mezzo delle sessioni di trading. si può fare una previsione quando una sessione ha giocato completamente ma, la finestra di immersione storica dovrebbe essere spostata indietro di 24 ore +1 alla sessione di trading..... Le migliori previsioni sono ottenute per 5 min., neuron.net, come odio ammetterlo, non lo sopporto in quanto il 95% è spazzatura, tuttavia la rete deve essere regolata per ogni coppia separatamente, ci vuole anche molto tempo e ci sono alcune sottigliezze...... In realtà ci sono molte sottigliezze.
 
AAAksakal:
Dimostrare qualcosa non è uno sforzo utile.
È incredibile che ci siano persone sul mercato che ne sono orgogliose. Cioè, si può mostrare una corsa di un tester con un grafico. O tutto quello che hai scritto è solo spazzatura termica?
 
Sì, ho dimenticato di aggiungere una parte importante: se vuoi aggiornare la tua previsione, dovrai abbattere il blocco lineare o netto e riavviare l'elaborazione. Altrimenti si otterrà un aggiornamento ma con i vecchi coefficienti, non saranno aggiornati.Quando si smonta e si inizia un nuovo blocco si otterranno nuovi coefficienti.
 
Addio a tutti.
 

Questo procuratore è piuttosto debole.


L'ho eseguito su un semplice esempio di riconoscimento classico:


Stringhe di esempio:

1. Uccello

2. Vola

3. Aeroplano

4. Aliante

5. Razzo non alato

Le prime sei colonne sono input di oggetti riconoscibili. Il resto delle colonne sono uscite.




Una griglia a due strati: 6 x 2 x 6 x 6


Quando viene testato con Back Propagation è un vero peccato, perché il 40% del campione di allenamento è separabilità lineare, se l'errore è inferiore a 0,01, allora il campione di allenamento è considerato riconosciuto.


Così, né un aeroplano, né un aliante, né un razzo sono stati riconosciuti, tutte le uscite hanno solo valori negativi con qualsiasi ingresso. L'uccello e l'aliante sono riconosciuti abbastanza accuratamente. Anche l'uscita delle differenze degli oggetti biologici da quelli meccanici è stata riconosciuta abbastanza accuratamente.



Quando si testa RPROP nelle stesse condizioni e con la stessa architettura, i risultati sono migliori:

Quindi qui la separabilità lineare è già al 100%, ma gli errori sono presenti.

1234567
Nuovo commento