Ricerca di un modello arbitrario utilizzando una rete neurale - pagina 4
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Solo la classificazione. La rete impara a distinguere le situazioni (immagini), ma non può sapere cosa fare in quale caso o come chiamare quale immagine.
Lei è completamente confuso e sta ingannando la gente. La classificazione può essere con o senza insegnante. Se insegniamo alla rete con un insegnante, come regola, la variabile di uscita è composta da 0 e 1 e in questo caso, la variabile di uscita è una chiamata all'azione. (0 per vendere 1 per comprare) e la rete cercherà di dividere i vettori di input in queste due classi. Per essere più precisi, cercherà di assegnare ogni vettore di input all'una o all'altra classe. Taks.... Questo vettore appartiene a uno e questo a zero.
Insegnare senza insegnante significa impostazione iniziale del parametro "Numero di classi". Diciamo che c'è un campione di 1000 voci, e dividetele per me in due classi una classe sarà 0 e l'altra sarà naturalmente 1. Basta spargerli in due mucchi a seconda della distanza dei dati. Dopo tutto, se immaginate il vettore di input come coordinate di un punto nello spazio multidimensionale, allora la distanza tra i punti è essenzialmente ciò che determina il raggruppamento delle due nuvole di 500 punti ciascuna. Non cercare di immaginare uno spazio multidimensionale. Immaginatevi tridimensionale. Ordinario. Come risultato, abbiamo una nuvola di punti che dobbiamo partizionare.
Nel primo caso, li partizioniamo forzatamente in modo tale che la risposta della rete sia il più vicino possibile alla funzione obiettivo, cercando di avvicinarsi il più possibile ad essa pur cercando di impedire l'ottimizzazione. Cioè, qualsiasi nuvola di punti può essere suddivisa come desiderato semplicemente cambiando il loro colore. Quelli che hanno portato a un profitto quando si vende 0 e quelli quando si compra 1, è un'altra cosa se disegniamo un iperpiano tra di loro e lasciamo gli zero a destra del piano, e gli uno - a sinistra. Come esempio.
Nel secondo caso, quando l'apprendimento avviene senza un insegnante, coloriamo semplicemente questi punti in rosso e blu solo in base alla loro vicinanza nello spazio multidimensionale. Inoltre, questo metodo ha un'opzione in cui non si specifica in quante classi dividere il campione, la rete stessa determina quante classi ci sono nel campione e il numero di classi sarà un risultato importante dell'ottimizzazione. L'ho appena capito. Ecco quello che voglio mostrarvi. Supponiamo che l'ottimizzatore divida i nostri 1000 vettori in 5 classi. Cosa dobbiamo fare con loro? Hoo di Hoo? Ora ta daaaaaaaaaaaa.... Beh, c'è una specie di fanfara in corso, solo che non si può sentire :-)
Una volta che abbiamo le 5 classi, abbiamo bisogno di classificarle manualmente per capire quale nuvola va dove. Come fare. Prima dovremmo controllare una classe per ogni nuvola e poi un'altra e controllare la nuvola che ha meno errori. E se si tiene conto che ci sono quattro classi nella classificazione binaria, con molta calma interpreterò il risultato dell'ottimizzazione come un'istruzione all'azione e sarò così.
La differenza tra i due approcci è solo che in un metodo l'istruzione di azione è preparata prima dell'ottimizzazione e in un altro metodo è preparata dopo. E si può cercare di capire quale sia meglio. So.... questo mi è appena venuto in mente....
Siete confusi e state ingannando le persone. La classificazione può essere con o senza insegnante...
Già... Prima di tutto, "enter" si scrive con un'inflessione. 2 - Se tutte le mucche hanno le corna, e anche un alce ha le corna, non diventa una mucca.
La parola 'manualmente' è anche coniugata. Ed è esattamente lo stesso di "a mano" con "insegnante". È lo stesso, ma da un'angolazione diversa. Senza un insegnante, è solo classificazione.
La rappresentazione della classificazione come un gruppo di punti nello spazio e la loro vicinanza non è il punto qui, i valori reali del prezzo non sono di interesse qui. La classificazione è fatta in un modo diverso qui.
*
In generale, dicevo che i neuronetti non possono pensare in modo indipendente, non possono pensare affatto. Affinché le reti neurali siano utili, devono essere insegnate. E per insegnare loro avete bisogno di coppie input-output (condizione-risultato).
Comunque, i termini "con un insegnante" e "senza insegnante" sono obsoleti. L'insegnamento con un insegnante può essere automatizzato. E imparare "senza un insegnante" è solo una frase intrigante, per nature credulone impressionabili.
...
L'unica differenza tra i due approcci è che in un metodo le istruzioni per l'azione sono preparate prima dell'ottimizzazione, nell'altro dopo. Beh, cercate di capire qual è quello giusto. So.... che mi ricorda ....
Ed ecco a voi.
Esattamente. In primo luogo, bisogna preparare 100500 esempi di diversi "testa e spalle" per esso e insegnarlo su questi esempi.
In realtà, i modelli di prezzo possono essere descritti dalla matematica, non c'è bisogno di NS per questo. Ma un tentativo di trovare i segni di un falso modello è esattamente il compito del NS.
Per quanto controverso. Se il modello contiene 3-4 barre possiamo usarlo, ma se ne abbiamo decine? Come può la matematica aiutarci in questo caso?
Non è chiaro come un neurone cambi il "focus of view" su un modello. Per esempio, un modello di"Elliott Waves" consiste di cinque onde dove ogni onda è un modello indipendente. In un grande disegno si può vedere una varietà di piccole forme.
Forse se una rete neurale è addestrata a vedere tutta la varietà di modelli, potrebbe decomporre un modello in molte forme, e riassemblare molte forme in un modello comune? O questo va oltre le capacità della rete?
Discutibile, tuttavia. Se ci sono 3-4 barre in un pattern, va bene, ma se ce ne sono decine? Che tipo di matematica aiuterebbe?
Quindi l'algoritmo di riconoscimento del modello dovrebbe essere invariante al numero di barre. Può essere facilmente risolto.
Domanda per gli intenditori: si può insegnare a una rete neurale a scalare la "vista", muovendosi tra le forme, generalizzandole in quelle più grandi e dividendole in quelle più piccole, identificandosi coerentemente come fa un umano?
Capisce personalmente come fa una persona?
Quindi l'algoritmo di riconoscimento del modello deve essere invariante al numero di barre. Questo è facilmente risolvibile.
È un metodo matematico, non un algoritmo che può rilevare modelli complessi da qualsiasi numero di barre. Ho provato io stesso, ma non sono riuscito a determinare matematicamente i modelli di più di 4 barre.
Cosa intende per "matematicamente"? Per confrontare i valori dei parametri OCHL all'interno di un insieme di condizioni ed elencare le varianti delle loro relazioni: if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
Capisce personalmente come fa una persona?
Sto parlando di un metodo matematico, non di un algoritmo che presumibilmente può determinare modelli complessi da un numero qualsiasi di barre. Ho provato io stesso, ma non sono riuscito a identificare matematicamente i modelli di più di 4 barre.
Cosa intende per "matematicamente"? Per confrontare i valori dei parametri OCHL all'interno di un complesso di condizioni ed elencare le varianti delle loro relazioni: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;