ニューラルネットと入力
ネットワークの種類はそれほど重要ではなく、主なものは入力であり、もちろん出力であるというのは本当にその通りです。ネットワークに適した入力を見つけるだけで、不思議とうまくいくのですが、どうやって見つけるのでしょう？単純な正規化ではダメなんです......。
ご質問は、手がかりですか、それとも社会的な問題ですか？:)
1.最初のポジションを取る場合、主なものは、指標の適切なセットを見つけることです。
2.2番目のポジションを取る場合、1.データの正規化という 2つの主要な要素があります。2.フィルターを使った履歴データの提供（不要な情報の削除）。
2つ目について、補足します。一般的に、私は時間間隔チャートを懐疑的に見るので、フィルタリングされたティックを入力（通常のRenko）に送り込みたかったのです。しかし、価格をフィルターゾーン（例：5）に分割すること。実勢価格に近いほど連子周期は低く、遠いほど高くなります。つまり、現在から遠いデータほど、現在の状態に影響を与えないため、フィルタリングを強化するのです。
しかし、現在の価格データ受信のシステムを作り、ティック履歴とつなげるのは難しいので、ティックはあきらめ、基本的な考え方は変わりませんが、時間間隔で勝負することにしました。
話題を多重化させないよう、口出しを許します。入力信号のノーマライズは誰が行うのですか？また、どのような信号が出力されると、より便利に操作できるのでしょうか？原始的なプサプトロンに飽き足らず、ネットワークを構築し、全層で信号を正規化したが、出力に大きなジレンマがあり、小さなことでも不確定な要素が多くある。
変な質問してますね）私たちの応用分野では、通常NSが解決する主なタスクとして、分類と回帰の2つがあります。これをもとにネットワークを構築し、その種類やアーキテクチャを選択し、その出力を適宜解釈していく。出力が、あるクラスに設定された入力の所属になるのか、明日の価格の値になるのか（条件付き）。ネットワークは何をするものなのか？何を教えているのですか？
入力の正規化は単純であるが，入力とその特性によってニュアンスが異なる場合がある（例えば，NSの入力は合成である場合がある）． 均質な」入力集合に対しては，最も単純で通常は十分な変形は，与えられた範囲 [a;b] における線形変換である．入力セットの特性によっては、識別性を向上させるための追加変換が可能である。
論文を読む、今までで学んだことがある（全て脳科学大学院で 学べるので、ここに並べる意味はない）。
ニューラルネットワークの予測タスクにおける入力データの提示 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
ニューラルネットワークの入力データを変換し、識別性を向上させる。ク リシロフ・V.A.、コンドラチュク・A.V.
学習サンプルの適応的簡略化によるニューラルネットワークの学習高速化.ク リシロフ・V.A.・チュミチキン・K.V.
時系列予測タスクにおけるニューラルネットワークの学習サンプリング品質の予備的推定.タ ラセンコR.A.、クリシロフV.A.
時系列予測のタスクにおけるニューラルネットワークの学習選択形成時の状況記述の大きさの選択。タ ラセンコR.A.、クリシロフV.A.
時系列の振る舞いを予測するタスクにおけるニューラルネットワークの学習の質と速度の向上。オ レシコD.N.、クリシロフV.A.
私たちのアプリケーションでは、分類と回帰という2つの主要なタスクをNSで解決しています。これをもとにネットワークを構築し、その種類やアーキテクチャを選択し、その出力を適宜解釈していく。出力が、あるクラスに設定された入力の所属になるのか、明日の価格の値になるのか（条件付きで）。ネットワークは何をするものなのか？何を教えているのですか？
入力の正規化は単純であるが，入力とその特性によってニュアンスが異なる場合がある（例えば，NSの入力は複合的である）． 均質な」入力セットでは，最も単純で通常は十分な変形は，与えられた範囲 [a;b] での線形変換である．入力セットの特性によっては、識別性を向上させるための追加変換が可能である。
論文を読む、今までで学んだことがある（全て脳科学大学院で 学べるので、ここに並べる意味はない）。
ニューラルネットワークの予測タスクにおける入力データの提示 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
ニューラルネットワークの入力データを変換し、識別性を向上させる。ク リシロフ・V.A.、コンドラチュク・A.V.
学習サンプルの適応的簡略化によるニューラルネットワークの学習高速化.ク リシロフ・V.A.・チュミチキン・K.V.
時系列予測タスクにおけるニューラルネットワークの学習サンプリング品質の予備的推定.タ ラセンコR.A.、クリシロフV.A.
時系列予測のタスクにおけるニューラルネットワークの学習選択形成時の状況記述の大きさの選択。タ ラセンコR.A.、クリシロフV.A.
時系列の振る舞いを予測するタスクにおけるニューラルネットワークの学習の質と速度の向上。オ レシコD.N.、クリシロフV.A.
ネットワークはすぐに予測し、出力は範囲[-1;1]の2つの値である。まず8つの値をネット入力に与え、ゼロをシフトせずに範囲[-1;1]に正規化する。そして、同じようにウェイトとレイヤーで正規化します。出力は、最も近い2つのフラクタルとその0バーを基準とした相対位置の予測です。定量的な縛りはありません。つまり、出力が-1と0.5であれば、直近のフラクタルはOpen[0]より2倍低く、次のフラクタルはOpen[0]より高いことを意味します。また、類推するに、値が 0.3 と 1 であれば、両方のフラクタルは Open[0] よりも高いということになります。選定ありがとうございました。そして、その質問はあなたの意見ではおかしいのです。私の頭（マインド）の中では、すべてがクリアで理解しやすい。そして、教え、訓練、解釈のスキーム、方法。しかし、マシンを表現するとなると......stupor。
ネットワークの入出力に供給される信号が、ネットワークにとって有用な情報を持っていなければ、正規化しても意味がない。
そして、これらの信号が有用な情報を持っているならば、原理的には、どのように、何を使って正規化するかは問題ではなく、この含まれている情報をぼかさないことが重要なのです ))))
ネットワークの入出力信号がネットワークにとって有用な情報を提供しないのであれば、正規化しても意味がない ))。
どの入力信号が有用な情報を持っていると思うか)正直なところ、隠れ層の中身はどうでもよくて、世界のカップケーキのレシピであろうと、要は出力が有用な情報であればよくて、情報量の多い入力を用意することにしているんです。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
皆さん、こんにちは。nsの話題に興味を持ち、本を2冊読み、何が何だか 大体理解できた。入力の正規化、ns型の選択には意味がない - msp（またはrbf）でほとんどのタスクに対応できる...が、入力についてはどうでしょうか？ここで、インプットに関する指標は必要 だ（と強調する）人と、全く必要 ない：ほとんどの指標はnsが再生産できるので、必要ならnsは必要な「指標」を自分の中に作り出すと考える人に、大多数が分かれる。
指標を選ぶことで、探す範囲を狭める（正確には、探す方向を決める）ことはできるかもしれませんが、理想を言えば、データ解析の方法は私たち自身が選ばなければ なりません。素人の私の発言は正しいのでしょうか？そのためには、NSに特別な条件を設ける必要があるのかもしれませんね。