Deductor Academic 5.2による時系列予測 - ページ 5

 
ターンも強さも、すべてがわかる。
 
フレームと設定に依存します。70%~95%です。
 
AAAksakal:
フレームと設定に依存します。70%~95%です。
どこかそんな感じですが、強いニュースでは残念。
 
彼もニュースには関心がない。デッドの予報でニュースを知る。
 
AAAksakal:
そう、彼が見せるものすべて、そして反転と強さ。

根拠は大歓迎です。非定常なBP区間での予測が可能になったことは大きなニュースです。このように主張するのはあなただけで、他の人はよく知らない。
 
証明することはありがたくないし、実際、良い予測を立てることは非常に難しい。非常に多くの要因は、正確な予測の作成に影響を与える、例えば、次のようなこと、あなたが予測を行う場合、それは一日の初めに行うことをお勧めします、あなたは、取引セッションの途中で予測を行うべきではありません。5分間で最良の予測が得られる、neuron.net、認めたくないが95%がゴミなので我慢できない、しかしネットワークを各ペアで個別に調整する必要がある、時間もかかるし微妙なところもある・・・・・・・。実は微妙なところがたくさんあるんです.
 
AAAksakal:
何かを証明することは、価値のある努力ではありません。
それを誇りにしている人が市場にいるのはすごいことです。つまり、テスターの走りをグラフで見せることができます。それとも、あなたの書いたものはすべて熱ゴミなのでしょうか?
 
そうそう、大事なことを書き忘れました。 予測を更新したい場合は、リニアやネットのブロックを壊して処理を再開する必要があります。そうでなければ、アップデートを取得しますが、古い係数で、彼らはupdate.Whenあなたがダウンして新しいブロックを開始すると、新鮮な係数を取得することはありません。
 
皆さん、さようなら。
 

このDAはかなり弱いです。


簡単な古典的な認識例で実行しました。


文字列の例

1.鳥

2.フライ

3.飛行機

4.グライダー

5.非翼型ロケット

最初の6列は、認識可能なオブジェクトの入力である。それ以外の列は出力です。




2層のグリッド:6×2×6×6


Back Propagationでテストすると、本当に残念なことに、学習サンプルの40%が線形分離可能で、誤差が0.01以下であれば、学習サンプルが認識されたと判断されるのです。


そのため、飛行機もグライダーもロケットも認識されず、どの入力に対してもすべての出力は負の値しか持たない。鳥とグライダーは十分正確に認識されている。また、生体物と機械物の違いの出力もかなり正確に認識されていました。



同じ条件、同じアーキテクチャでRPROPをテストした場合、より良い結果が得られます。

つまり、ここでは線形分離性はすでに100%ですが、誤差は存在します。