В подавляющем большинстве источников информации о нейронных сетях под «а теперь давайте обучим нашу сеть» понимается «скормим целевую функцию оптимизатору» лишь с минимальной настройкой скорости обучения. Иногда говорится, что обновлять веса сети можно не только стохастическим градиентным спуском, но безо всякого объяснения, чем же...
関数の表面を滑らかにするためだ。
10問の問題があり、ネットワークは10問の問題に答えなければならない：
正解と不正解を数えよう。0が間違いで、1が正しい。
0 1 1 0 0 0 0 0 1 0 0 0 1 1 : 4 正解。
1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 : 4 正解。
0 1 0 1 0 1 0 0 1 0 0 1 0 0 0 : 4 正しい
0 0 0 0 0 0 0 1 0 0 0 1 1 1 : 4 正解
0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 : 4 正
.......................................
これは、ネットワークがどのように行き詰っているかの例である。
この場合、問題は誤差を最小化することに縮小され、最小値はグローバル0になり、関数は多くの極値を持つが、今は滑らかで、ゲームはコールド、ウォーマー、ホット、ホットに縮小される。
しかし残念なことに、問題の関数は常に滑らかな関数に変換できるわけではありません。記事で紹介されている関数はすでに変換されたものと考えるべきですが、元の関数はもっと複雑なトポグラフィを持っています。
他のサイトなら何も驚くことはないが、何百万というテスターの結果を見てきた人たちと極端な議論をするのは、言葉が見つからない。ひとつ思うのは、彼らは離婚しているということだ。
もう一度言う！いや、私たちは利益やその他によって順序づけられた両極端を目にすることはあっても、両極端は存在しない。鷲を上にして落ちたコインに鷲がないように、それは鷲ではなく、鷲の確率なのだから。極端なものはすべて極端なものの確率なのです。数学的な期待値や信頼区間という 意味で極値の値について語ることはできるが、極値の値は非定常であるため、数学的な期待値は存在しないので、それを語ることは不可能である！
ある区間でExpert Advisorを最適化すると、最適な結果のパラメータセットが得られます。別の間隔で最適化すると、多くの場合、パラメータを増やすだけで、異なる結果を持つ別のパラメータセットが得られ、損失が発生する可能性があります。このことを誰も知らないのか？最適化アルゴリズムとは何の関係もない。遺伝学では、オーバーサンプリングが可能で、遺伝学を改善できるかもしれませんが、最適化サンプルの外では、結果は1つで、おそらく悲しいものになるでしょう。
ExpertAdvisorをある間隔で最適化すると、最適な結果となるパラメータが得られます。別の間隔で最適化する場合、多くの場合、間隔を広げるだけで、異なる結果を持つ別のパラメータセットが得られ、損失が発生する可能性があります。このことを誰も知らないのか？最適化アルゴリズムとは何の関係もない。遺伝学では、オーバーサンプリングが可能で、遺伝学を改善できるかもしれませんが、最適化サンプルの外では、結果は1つで、おそらく悲しいものになるでしょう。
これは不必要な方法の例です））））））））））））））））））））））））））））））））））））））））））））））））））））））））））））））））））））極限値について話しているのですが、間違った考えです。
これは、元の問題を導関数に変換する方法の例です。結果は、バランスの点で、離散的なものではなく、滑らかな関数になります。
その課題は、道の角度が3度を超えないように、そして道ができるだけ短くなるように、頂上までの道を敷設することである。頂上までまっすぐな道を探せば、多くの人が必ず墜落して死ぬだろう（彼らは麓に着地して平らになり、風速の非定常性に文句を言いながら泣くだろう）。なぜそのような最大値が必要なのか？山の関数の微分という別の関数があり、これには山の傾斜角度と道の長さという2つの基準が含まれる。この問題は最適化に還元され、山からこの関数の導関数の最小値（傾斜角度と道の長さの最小値）を見つけることになる。したがって、この関数は多くの局所極値を持ち、大域極値は1つだけである。この問題を解決すれば、エベレストの頂上への安全な道を見つけることができ、誰も死ぬことはなく、風の非定常性を気にすることもなくなる。
一般的にはそういうものだ。すべてのアルゴリズムが「安全な」道を見つけられるわけではない。探索特性と収束性、収束速度の両方が重要である。
最も単純な場合、それは山の周りを螺旋状にカーブして頂上まで登ることになる。山が平滑でない以上、道路の構造には少なくともいくつかのバリエーションがあることは明らかである。これは、ある基準を満たす解の高原であり、山肌のどこかのエリアの形をした高原ではない。
ところで、テスターは複雑な最適化基準を持っている。それは、バランス、利益係数、その他の基準を個別に設定するよりも滑らかな関数である。
https://habr.com/ru/post/318970/
ネットワークを学習するための特定のアルゴリズムは、汎用的なアルゴリズムとは異なるため、両者の比較テストを行うことがより重要になる。もう一度言う：極値には何の価値もない：不安定な点であり、しかも我々が扱っているのはランダムな過程であり、非定常な過程であるから、存在しない。
たとえ局所最小値や大域最小値より上であっても、それが有益である限り、図に示したようなプラトーを探す必要がある。そのようなプラトーは、理論的にはTSの収益性の上限を示す。そして、発見された極限値は、まったく何の意味もない。それらは間違いなく未来にはないが、プラトーの希望はある。
これはまさに私が実現しようとして いることですが、より技術的なレベルでは......。
プラトーの代わりに本当のシグナルがあり、極限の代わりにノイズがある。
最適化された表面にはノイズがあるのが当然だとすると、ノイズを避けて本当の極値を探す必要がある。論理的には、遅い信号は速いノイズよりも時間的にゆっくり変化するからだ。
複雑な基準は、最新のリリースでは何らかの理由で削除されました :)
あるようです)))
最終的に独自の損失関数を持ち、微分はシャープ、エラー、ウェイトの積として表される。
is_max_optimal=Falseは、値が減少していることを示すが、-1倍もしているので、逆も真である。
バランスか何かを勾配を通してブーストに投入する方法はないものでしょうか......。
これが回路図だ：
チャートにパーフェクト・トレード（下降の極値で買い、上昇の極値で売り）をマークし、偽のパーフェクト・トレードを作成する。
これをパーフェクト・バランスと 呼ぶ。
次に貿易収支を計算する。
次に、ブーストから貿易収支を計算し、目的関数の中で、ブーストの貿易収支と理想収支との誤差を計算する。
つまり、抽象的な利潤の最大値を求めるのではなく、利潤収支で表される理想的な貿易収支を調整するのである。
青が理想的なバランス、黒がトレースとモデルテスト。
そうだと思う)