Trovare un set di indicatori per alimentare gli ingressi della rete neurale. Discussione. Uno strumento di valutazione dei risultati. - pagina 4

 
rip >> :
Kgm ... Dimenticate che per la massima efficienza di apprendimento gli input della rete devono essere statisticamente indipendenti, non ci deve essere alcuna correlazione tra i dati forniti a ciascun input. Tutte le macchine sono corrette tra loro, potete controllare. C'è un software abbastanza pratico e semplice - AtteStat, è un add-on di Exel, ma molto utile.

Tutto è brillantemente semplice... Avrei potuto capirlo da solo... Grazie!!!

Prendete gli indicatori disponibili e guardate la correlazione tra loro... analizzare, pensare, forse si ottiene qualche idea utile :)

 
IlyaA >> :


Il pubblico ha bisogno di vedere una relazione grafica tra l'errore di apprendimento e il tempo (numero di epoche).

dobbiamo parlare di cose diverse... Non insegno con un insegnante (c'è un errore di apprendimento in questo modo di insegnare)... Insegno al massimo della funzione obiettivo e non so quale sia il massimo valore possibile della funzione obiettivo.

 
Urain >>

Vai qui dove ogni indicatore ha una descrizione dettagliata e le formule di calcolo.

In due giorni avrai la tua opinione.

È da un po' che lo guardo.

L'ho guardata, letta, forse non ci ho dedicato abbastanza tempo o attenzione, forse qualcos'altro... se non altro, probabilmente ci tornerà... :))) prendendo la strada più lunga, eh?

 
iliarr >> :

No. Passo solo il valore della funzione obiettivo all'algoritmo genetico, e l'algoritmo genetico produce un vettore di valori per ogni gene, che converto in una matrice di pesi della rete neurale.

Giusto, l'algoritmo genetico non usa la funzione di errore per regolare i pesi.

Per quanto ho capito, si potrebbe marcare l'm5 per il massimo profitto che può essere sulla storia e usare questo markup come funzione di fitness.

Mi sto solo chiedendo come sia la funzione che stai usando per stimare un individuo.

 
iliarr >> :

Di quale errore stiamo parlando? La funzione obiettivo è più grande - quindi il gene è più appropriato...

È una questione di errore di campionamento del test. Cioè, si prende il mese successivo al campione di allenamento. Lo segni secondo il suo algoritmo. Voi date le uscite alla rete addestrata. Confrontate i risultati. Questo è il grafico di questi errori che mi interessa.


Puoi anche ottenere il grafico dell'errore del campione di allenamento e quindi stimare come la tua rete impara (o c'è uno sviluppo generazionale nell'algoritmo del gene)

 
iliarr >> :

È tutto brillantemente semplice... Avrei potuto pensarci da solo... Grazie!

Prendete gli indicatori disponibili e guardate la correlazione tra loro... analizzare, pensare, forse si ottiene qualche idea utile :)

Mostra il risultato quando confronti tutti gli insiemi che dai in pasto agli ingressi :) Penso che tutti saranno altamente correlati. Tutti gli indicatori forniti utilizzano gli stessi dati di input per il calcolo.

 
iliarr >> :

dobbiamo parlare di cose diverse... Non insegno con un insegnante (c'è un errore di apprendimento in questo modo di insegnare)... Insegno al massimo della funzione obiettivo e non so quale sia il massimo valore possibile della funzione obiettivo.

Come stimare l'efficienza della rete addestrata? Questo è il grafico che voglio vedere.

 
Domanda stupida, so quasi la risposta. Ho trovato un set di indicatori, ho trovato i coefficienti di ponderazione e ho iniziato a fare un profitto. Se il mercato cambia, il consulente sarà in grado di adattarsi alle nuove condizioni.
 
joo писал(а) >>

GA è solo uno strumento di ottimizzazione (cacciavite per la macchina). Con differenze minime potete usarlo o qualsiasi altro algoritmo di ottimizzazione (cacciavite).

Sì, un cacciavite, ma ci sono alcuni cacciaviti che possono allentare una piccola vite e altri che non possono...

No, con differenze minime non si può usare per NS, non si possono vedere queste differenze.

ORO, quando un neurone diventa sovrasaturo, praticamente smette di "allenarlo", mentre GA può facilmente sovrasaturare un neurone e continuare ad aumentare ulteriormente i pesi dei neuroni.

 
joo >> :

... almeno questa funzione: (2/(1-2^(-x))-1

Errore mio. Dovrebbe essere: (2/(1+2^(-x))-1

StatBars >> :

No, con differenze minime non puoi usarlo per NS, sembra che tu non possa vedere queste differenze.

ORO quando un neurone viene sovrasaturato praticamente smette di "allenarlo", mentre GA può facilmente sovrasaturare un neurone e continuare ad aumentarne i pesi.

Perché non possono essere visti? Le differenze sono visibili. Non c'è una sovrasaturazione dei neuroni con la giusta gamma di ricerca. "È solo che non sai come cucinarli"(c) :)

Per compiti diversamente complessi ci saranno strumenti diversamente ottimali, come hai giustamente notato (cacciaviti).