최적화할 매개변수의 다변량 정규분포를 적용한다는 아이디어 는 신경망 의 원리와 같은 것인가?
알기 쉽게 설명해주세요.
이상한 걸 물어보셨습니다. 질문을 설명합니다.
내가 설명한다:
이제 특정 조정된 매개변수가 아니라 시스템의 각 매개변수의 범위와 거래해야 한다고 생각합니다. 가장 쉬운 방법은 여러 개의 동일한 Expert Advisors를 배치하는 것입니다. 그러나 매개변수 스펙트럼의 다른 범위에 매개변수 세트가 다릅니다. 이러한 각 EA는 예치금의 특정 %를 할당해야 하지만 함께 하나의 EA(스펙트럼 없이)와 거래할 때 예치금의 % 값과 모두 같아야 합니다. 그런 다음 예를 들어 이동 평균에서 3명의 전문가가 움직임의 시작 부분에서 중간과 끝에서 각각 3개의 포지션을 엽니다.
그러나 나는 이 아이디어를 테스트를 위해 하나의 Expert Advisor에 적용하는 방법을 찾지 못했습니다.
Posh에게 이 문제에 대해 물었지만 여전히 대답이 없습니다.
다변량 정규 분포(가우스) 작업과 X+bY+...=Z와 같은 신경망은 같은 것입니다(거래용), 아니면 모든 것을 섞어서 머리가 엉망입니까?
이제 특정 조정된 매개변수가 아니라 시스템의 각 매개변수의 범위와 거래해야 한다고 생각합니다. 가장 쉬운 방법은 여러 개의 동일한 Expert Advisors를 배치하는 것입니다. 그러나 매개변수 스펙트럼의 다른 범위에 매개변수 세트가 다릅니다. 이러한 각 EA는 예치금의 특정 %를 할당해야 하지만 함께 하나의 EA(스펙트럼 없이)와 거래할 때 예치금의 % 값과 같아야 합니다. 그런 다음 예를 들어 이동 평균에서 3명의 전문가가 움직임의 시작 부분에서 중간과 끝에서 각각 3개의 포지션을 엽니다.
그러나 나는 이 아이디어를 테스트를 위해 하나의 Expert Advisor에 적용하는 방법을 찾지 못했습니다.
이 문제에 대해 Posh에게 물었지만 여전히 대답이 없습니다.
다변량 정규 분포(가우스) 작업과 X+bY+...=Z와 같은 신경망은 같은 것입니다(거래용), 아니면 모든 것을 섞어서 머리가 엉망입니까?
lucifuge : 사람들은 아무도 나에게 대답하지 않았습니다. 망각 알고리즘에 대해 생각해야 했습니까? 아니면 모두 동일하게 ANN의 자연 속성입니까?
훈련 중에 우리가 제한된 수의 막대로 제한되어 있다면(또는 막대가 아닌 경우 무엇을 사용하는지) 잊어버리는 것은 자연스러운 과정이 될 것입니다. 시장은 변화하고 있으며 5년 전에는 통하던 것이 지금은 통하지 않을 수도 있습니다. 그러나 이미 새로운 조건이 나타났고, 가르치지 않으면 지나갈 것입니다. 모두가 스스로 결정합니다.
Mathemat : Mak , 당신은 분명히 뭔가를 과장하고 있습니다. ANN 이론에 따르면 수백, 수천 번을 넘지 않고 10번이면 충분하고, 과적합(적합)의 기준이 알려져 있는데, 이것이 테스트 영역의 전역 최소 오차입니다.
또 다른 것은 네트워크 아키텍처입니다. 메쉬를 분류하는 것이 보간하는 것보다 낫습니다.
아마도 - 저는 국회에 대해 회의적입니다. 예, 통계에서 샘플 수가 알려지지 않은 매개 변수의 수보다 10배 더 많으면 몇 가지 결론을 도출할 수 있다고 믿어집니다. 그러나 동시에 오류는 합리성 직전에 획득됩니다.
그러나 NN은 본질적으로 일종의 입력 벡터와 가중치 계수 집합의 함수라는 것을 인정해야 합니다. 이 가중치 계수 세트에는 수백(가장 간단한 경우)에서 수만 및 수십만 개의 매개변수(가중치)가 포함됩니다. NN을 학습하는 것은 수백 - 수십만 개의 매개변수에 대해 이 기능을 최적화하는 것입니다. 그러한 경우에 어떻게 되는지 모두 알고 있습니다. 이래서 회의적이야...
NN 훈련은 실제로 수많은 매개변수(수백 및 수천)가 있는 함수의 최적화입니다. 이 경우 재교육을 받지 않으려면 어떻게 해야 하는지 모르겠으나, 1-1억 샘플의 훈련 샘플을 취하지 않는 한. 무보증...
"오버트레이닝"을 "언더트레이닝"으로 이해하시나요? 나는 이것이 반의어라고 생각합니다 =) plz를 설명하십시오.
과적합이란 CurveFitting이라고 하는 것을 의미합니다. 최적화 매개변수가 많고 데이터가 적을 때 발생합니다.
그러나 문제는 네트워크의 크기에 대해 발생합니다. 네트워크가 기억할 수 있는 것은 크기와 아키텍처에 따라 다릅니다. 공식은 주지 않겠습니다. 네트워크가 기억할 수 없는 훈련 샘플을 너무 많이 설정하면 과적합의 영향이 옵니다. 즉, 네트워크는 더 이상 알고 있던 것을 인식하지 못합니다.
IMHO, 네트워크로 목욕하면 안됩니다 :)
NN 훈련은 실제로 수많은 매개변수(수백 및 수천)가 있는 함수의 최적화입니다.
이 경우 재교육을 받지 않으려면 어떻게 해야 하는지 모르겠으나,
1-1억 샘플의 훈련 샘플을 취하지 않는 한.
무보증...
수학자들을 위한 질문:
최적화할 매개변수의 다변량 정규분포를 적용한다는 아이디어 는 신경망 의 원리와 같은 것인가?
알기 쉽게 설명해주세요.
질문을 설명합니다.
내가 설명한다:
이제 특정 조정된 매개변수가 아니라 시스템의 각 매개변수의 범위와 거래해야 한다고 생각합니다.
가장 쉬운 방법은 여러 개의 동일한 Expert Advisors를 배치하는 것입니다. 그러나 매개변수 스펙트럼의 다른 범위에 매개변수 세트가 다릅니다.
이러한 각 EA는 예치금의 특정 %를 할당해야 하지만 함께 하나의 EA(스펙트럼 없이)와 거래할 때 예치금의 % 값과 모두 같아야 합니다.
그런 다음 예를 들어 이동 평균에서 3명의 전문가가 움직임의 시작 부분에서 중간과 끝에서 각각 3개의 포지션을 엽니다.
그러나 나는 이 아이디어를 테스트를 위해 하나의 Expert Advisor에 적용하는 방법을 찾지 못했습니다.
Posh에게 이 문제에 대해 물었지만 여전히 대답이 없습니다.
다변량 정규 분포(가우스) 작업과 X+bY+...=Z와 같은 신경망은 같은 것입니다(거래용), 아니면 모든 것을 섞어서 머리가 엉망입니까?
수학자들을 위한 질문:
최적화할 매개변수의 다변량 정규분포를 적용하는 아이디어가 신경망의 원리와 동일한가요?
알기 쉽게 설명해주세요.
질문을 설명합니다.
내가 설명한다:
이제 특정 조정된 매개변수가 아니라 시스템의 각 매개변수의 범위와 거래해야 한다고 생각합니다.
가장 쉬운 방법은 여러 개의 동일한 Expert Advisors를 배치하는 것입니다. 그러나 매개변수 스펙트럼의 다른 범위에 매개변수 세트가 다릅니다.
이러한 각 EA는 예치금의 특정 %를 할당해야 하지만 함께 하나의 EA(스펙트럼 없이)와 거래할 때 예치금의 % 값과 같아야 합니다.
그런 다음 예를 들어 이동 평균에서 3명의 전문가가 움직임의 시작 부분에서 중간과 끝에서 각각 3개의 포지션을 엽니다.
그러나 나는 이 아이디어를 테스트를 위해 하나의 Expert Advisor에 적용하는 방법을 찾지 못했습니다.
이 문제에 대해 Posh에게 물었지만 여전히 대답이 없습니다.
다변량 정규 분포(가우스) 작업과 X+bY+...=Z와 같은 신경망은 같은 것입니다(거래용), 아니면 모든 것을 섞어서 머리가 엉망입니까?
https://ru.wikipedia.org/wiki/%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1 %81%D0%B5%D1%82%D0%B8 - 여기 Wiki의 모든 것은 일반적인 용어입니다.
http://users.kpi.kharkov.ua/mahotilo/Docs/Diss/diss_ch1_intr.html - 이것은 ANN에 대한 일종의 작업입니다. 작업 중반까지 그것이 어디에 있고 무엇을 먹었는지에 대한 이야기가 있습니다. 다이어그램 및 수식 포함
http://www.robo-planet.ru/library.php?parent_id=324&PHPSESSID=82aafc8cb3c043ecbe043fa11dd50943 - 이것은 좋은 사이트인 "인공 신경망의 기초"에 대한 링크입니다. 주제에 대한 전체 "나무"가 있습니다 ANN - 내가 쓴 것 뿐만이 아닙니다.
그러나 "스펙트럼"에 대해서는 헛된 것입니다.
물론 저는 전문가가 아닙니다. 하지만 거기에는 합리적인 부분이 있습니다.
사람들은 아무도 나에게 대답하지 않았습니다. 망각 알고리즘에 대해 생각해야 했습니까? 아니면 모두 동일하게 ANN의 자연 속성입니까?
훈련 중에 우리가 제한된 수의 막대로 제한되어 있다면(또는 막대가 아닌 경우 무엇을 사용하는지) 잊어버리는 것은 자연스러운 과정이 될 것입니다. 시장은 변화하고 있으며 5년 전에는 통하던 것이 지금은 통하지 않을 수도 있습니다. 그러나 이미 새로운 조건이 나타났고, 가르치지 않으면 지나갈 것입니다.
모두가 스스로 결정합니다.
Mak , 당신은 분명히 뭔가를 과장하고 있습니다. ANN 이론에 따르면 수백, 수천 번을 넘지 않고 10번이면 충분하고, 과적합(적합)의 기준이 알려져 있는데, 이것이 테스트 영역의 전역 최소 오차입니다.
또 다른 것은 네트워크 아키텍처입니다. 메쉬를 분류하는 것이 보간하는 것보다 낫습니다.
예, 통계에서 샘플 수가 알려지지 않은 매개 변수의 수보다 10배 더 많으면 몇 가지 결론을 도출할 수 있다고 믿어집니다. 그러나 동시에 오류는 합리성 직전에 획득됩니다.
그러나 NN은 본질적으로 일종의 입력 벡터와 가중치 계수 집합의 함수라는 것을 인정해야 합니다.
이 가중치 계수 세트에는 수백(가장 간단한 경우)에서 수만 및 수십만 개의 매개변수(가중치)가 포함됩니다.
NN을 학습하는 것은 수백 - 수십만 개의 매개변수에 대해 이 기능을 최적화하는 것입니다.
그러한 경우에 어떻게 되는지 모두 알고 있습니다.
이래서 회의적이야...
IMHO, 네트워크로 목욕하면 안됩니다 :)
NN 훈련은 실제로 수많은 매개변수(수백 및 수천)가 있는 함수의 최적화입니다.
이 경우 재교육을 받지 않으려면 어떻게 해야 하는지 모르겠으나,
1-1억 샘플의 훈련 샘플을 취하지 않는 한.
무보증...
최적화 매개변수가 많고 데이터가 적을 때 발생합니다.
IMHO, 네트워크로 목욕하면 안됩니다 :)
NN 훈련은 실제로 수많은 매개변수(수백 및 수천)가 있는 함수의 최적화입니다.
이 경우 재교육을 받지 않으려면 어떻게 해야 하는지 모르겠으나,
1-1억 샘플의 훈련 샘플을 취하지 않는 한.
무보증...
최적화 매개변수가 많고 데이터가 적을 때 발생합니다.
그러나 문제는 네트워크의 크기에 대해 발생합니다. 네트워크가 기억할 수 있는 것은 크기와 아키텍처에 따라 다릅니다. 공식은 주지 않겠습니다. 네트워크가 기억할 수 없는 훈련 샘플을 너무 많이 설정하면 과적합의 영향이 옵니다. 즉, 네트워크는 더 이상 알고 있던 것을 인식하지 못합니다.