통계는 "국회의 입력에서 다음 조합이 이러면 ..."이라는 질문에 대한 답을 줄 것입니다. Ns는 여기에 필요하지 않습니다! - 입력을 분석하면 정사각형의 꼭짓점 중 하나에 고유하게 바인딩되며 알려진 정확도의 통계는 위치의 예상 방향을 알려줍니다. 교활한 NS는 우리가 이미 가지고 있는 것보다 더 신뢰할 수 있는 정보를 제공할 수 없습니다.
중요한 문제는 바이너리 패턴에 대한 최소 데이터베이스의 추정으로 남아 있습니다. 여기에서 간단히 할 수 있습니다. NN의 입력에 대해 입력 데이터를 "번짐"하는 상황을 수치적으로 시뮬레이션하고 임의의 VR에 대한 변동의 분산을 추정합니다. 명확성을 위해 패턴 식별 정확도의 산포가 주어진 유형의 패턴의 예상 진폭(수)에 비례하는 경우가 통계 분석에 적합하다고 가정합니다. 예를 들어, d=2일 때 4가지 유형의 패턴만 가능하고(위) "훈련" 샘플의 길이(신뢰할 수 있는 식별에 충분하며 통계 스프레드의 진폭과 이 유형의 평균 패턴 수:
무화과에. 왼쪽은 2입력 통계 블록(BS)의 ST에 대한 통계이고, 오른쪽은 5입력 통계 블록(2^5=10001 또는 01101과 같은 패턴의 고유한 조합 32개)입니다. 훈련 샘플의 길이 Р=10*2^d , i.е. 첫 번째 경우 Р=40이 계산되고 두 번째 경우 Р=320이 계산됩니다.
치명적이지 않고 훈련-재훈련이 없습니다!
추신: NN에 대해 학습 벡터 P 의 최적 길이가 다음과 같다는 강한 직관적 느낌이 있습니다. P=w*2^d 여기서 w 는 NN의 가중치 수이고 d 는 입력의 차원입니다. .
나는 당신을 올바르게 이해하고 있는지 확인하기 위해 조금 확인하고 싶습니다. 그렇지 않으면 인도주의적 성향이 있습니다. 아시다시피 ...
따라서 2 입력 NS의 경우 입력에서 이진 신호의 가능한 조합이 4개뿐입니다(각각 4개 입력 - 16개). 신호는 RT의 첫 번째 차이의 부호입니다. 여기에서 NS가 있더라도, super-duper-hyper NS라도 위의 입력 신호 조합을 제외하고는 아무 것도 분석할 수 없으므로 복잡한 비선형 종속성을 찾는 대신 "아날로그" 신호의 경우 입력 신호 조합에서 RT 샘플에 따라 종속성 통계를 수집하는 것으로 충분합니다.
그렇다면 데이터베이스 크기에 대한 질문은 그리 어렵지 않습니다. 가능한 최대 크기는 2 ^ d 이고 이것이 실제로 필요한 양의 절반 이상임이 분명합니다. 주어진 d 에 대한 입력 신호의 조합은 어떤 값을 가질 것입니다.
그러면 떠오르는 것은 데이터베이스의 크기가 아니라 통계적으로 정당화되는 입력 d 의 크기와 임계값 H 의 값입니다! 올바른 RT 시리즈(진드기 기반)의 경우 양초에서 작동하는 패턴이 작동하지 않는다는 것을 알았습니다. 예를 들어 그리드에 8개 이상의 입력을 제공하는 것은 거의 의미가 없습니다. 10개 이상의 RT 판독값이 형성되는 동안 시간당 24개 항목(단일 항목 포함)에 대한 시장 변화가 최상의 결과를 제공합니다. 이는 분명히 일상적인 활동 때문입니다.
1) 그는 서두를 수 있습니까? 웃어라, 카우보이들이라, 마지막에 웃는 자가...
2) 여기에는 대용량 데이터베이스가 필요하지 않은 것 같습니다. 100-1.5 패턴의 강도와 가장 가능성이 적습니다. 3) 결국, 당신은 촛불로 시스템을 운전했습니다 ...
1) 예, 할 수 있습니다. 나는 논쟁하지 않습니다. :) 그리고 재채기는 건강에 좋습니다 :)
2) 베이스의 패턴을 구분하는 기준은 무엇인가요? 핵심 질문입니다.
3) 나는 양초 체인, 다른 버전의 칠면조, 칠면조 양초 조합 등을 운전했습니다.
글쎄, 그것은 내 계획에서 상당히 고무적입니다. 그건 그렇고, 당신은 그것을 감사하지 않는 것 같습니다. 왜요? 여기 답이 있습니다
오른손은 왼쪽 심장에, 글쎄, 기본적으로 실제 비어있는 경우베이스가 필요한 이유는 무엇입니까?
;)
이것은 표면이 없지만 결정 격자의 노드가 있는 일종의 수정입니다(매우 비유적인 경우). 우리는 이 노드의 좌표를 확실히 알고 식별에 리소스를 사용할 필요가 없습니다. surface ... 네트워크가 필요하지 않습니다.
글쎄, 이제 암을 넣는 것처럼 문제를 약간 바꾸십시오. 우리는 시장에서 패턴을 가지고 있으며 가장 가까운 노드를 찾아야 합니다.
(옵션: 가장 가까운 몇 개, 그 다음 퍼지). 더 쉽거나 저렴하지 않습니까?
3) 나는 양초 체인, 다른 버전의 칠면조, 칠면조 양초 조합 등을 운전했습니다.
글쎄, 그것은 내 계획에서 상당히 고무적입니다.
아, 거의 잊었다! 또한 레벨 1 예측 패턴에 대해 두 번째 패스(레벨 2 예측)를 실행했습니다.
데이터베이스 스키마에서 이것은 n개의 요소가 있는 레벨 2 데이터베이스를 구축하는 것과 같습니다! 전작의 끝에
문장은 느낌표가 아니라 계승 기호입니다. 따라서 위업을 반복하려면
나는 더 큰 나사를 비축하는 것이 좋습니다 .......;))
빨간색 점은 입력 조합에 해당합니다.
00
01
십
열하나
통계는 "국회의 입력에서 다음 조합이 이러면 ..."이라는 질문에 대한 답을 줄 것입니다. Ns는 여기에 필요하지 않습니다! - 입력을 분석하면 정사각형의 꼭짓점 중 하나에 고유하게 바인딩되며 알려진 정확도의 통계는 위치의 예상 방향을 알려줍니다. 교활한 NS는 우리가 이미 가지고 있는 것보다 더 신뢰할 수 있는 정보를 제공할 수 없습니다.
중요한 문제는 바이너리 패턴에 대한 최소 데이터베이스의 추정으로 남아 있습니다. 여기에서 간단히 할 수 있습니다. NN의 입력에 대해 입력 데이터를 "번짐"하는 상황을 수치적으로 시뮬레이션하고 임의의 VR에 대한 변동의 분산을 추정합니다. 명확성을 위해 패턴 식별 정확도의 산포가 주어진 유형의 패턴의 예상 진폭(수)에 비례하는 경우가 통계 분석에 적합하다고 가정합니다. 예를 들어, d=2일 때 4가지 유형의 패턴만 가능하고(위) "훈련" 샘플의 길이(신뢰할 수 있는 식별에 충분하며 통계 스프레드의 진폭과 이 유형의 평균 패턴 수:
무화과에. 왼쪽은 2입력 통계 블록(BS)의 ST에 대한 통계이고, 오른쪽은 5입력 통계 블록(2^5=10001 또는 01101과 같은 패턴의 고유한 조합 32개)입니다. 훈련 샘플의 길이 Р=10*2^d , i.е. 첫 번째 경우 Р=40이 계산되고 두 번째 경우 Р=320이 계산됩니다.
치명적이지 않고 훈련-재훈련이 없습니다!
추신: NN에 대해 학습 벡터 P 의 최적 길이가 다음과 같다는 강한 직관적 느낌이 있습니다. P=w*2^d 여기서 w 는 NN의 가중치 수이고 d 는 입력의 차원입니다. .
수학 은 어디에?!
1) Hc는 여기에 필요하지 않습니다! - 입력을 분석하면 정사각형의 꼭짓점 중 하나에 고유하게 바인딩되고 정확도가 알려진 통계는 위치의 예상 방향을 알려줍니다. 교활한 NS는 우리가 이미 가지고 있는 것보다 더 신뢰할 수 있는 정보를 제공할 수 없습니다.
2) 치명적이지 않고 학습-재학습이 없다!
3) 수학 은 어디에?!
1) 정확성은 과거의 샘플에 대해 알려져 있습니다. 미래에서 샘플링하려면 ...... // 직접 추가하십시오.
2) 동의합니다. 그것도 의미가 없습니다.
삼) :)) :)) :))
모든 논리는 다음 가정의 Bose를 기반으로 합니다.
1. 역사는 대부분 반복됩니다.
2. 변동은 통계적 기대치와 비교할 수 없기 때문에 무시할 수 있습니다.
3. 논의된 초기 수용체(입구에 있는 infa)가 다른 수용체보다 우수합니다.
매우 신뢰할 수 있는 가정이 아닙니다. Mathemat 가 승인하지 않을까봐요..... :)
오늘 설사를 합니까? 그래서, 당신은 이것을 위해 지정된 장소로 이동하고이 스레드에서 말을하지 마십시오.
내가 당신에 대해 틀렸다면 실례합니다. 그리고 당신이 분석에 사용하는 가정을 알려주십시오. 아메리카를 발견하지 못하셨습니까, 콜럼버스?
PS 귀하의 불필요한 게시물 중 일부를 문지릅니다. 당신은 무엇을 이해합니다.
나는 당신을 올바르게 이해하고 있는지 확인하기 위해 조금 확인하고 싶습니다. 그렇지 않으면 인도주의적 성향이 있습니다. 아시다시피 ...
따라서 2 입력 NS의 경우 입력에서 이진 신호의 가능한 조합이 4개뿐입니다(각각 4개 입력 - 16개). 신호는 RT의 첫 번째 차이의 부호입니다. 여기에서 NS가 있더라도, super-duper-hyper NS라도 위의 입력 신호 조합을 제외하고는 아무 것도 분석할 수 없으므로 복잡한 비선형 종속성을 찾는 대신 "아날로그" 신호의 경우 입력 신호 조합에서 RT 샘플에 따라 종속성 통계를 수집하는 것으로 충분합니다.
그렇다면 데이터베이스 크기에 대한 질문은 그리 어렵지 않습니다. 가능한 최대 크기는 2 ^ d 이고 이것이 실제로 필요한 양의 절반 이상임이 분명합니다. 주어진 d 에 대한 입력 신호의 조합은 어떤 값을 가질 것입니다.
내가 모든 것을 올바르게 이해 했습니까? 그렇다면 계속하겠습니다.
1) 오늘 구두 설사가 있습니까? 그래서, 당신은 이것을 위해 지정된 장소로 이동하고이 스레드에서 말을하지 마십시오.
2) 내가 당신에 대해 틀렸다면 실례합니다. 그리고 당신이 분석에 사용하는 가정을 알려주십시오.
3) 아메리카를 발견하지 못했습니까, 콜럼버스?
4) PS 불필요한 게시물 위에 문지릅니다. 당신은 무엇을 이해합니다.
1) :) 소수가 있습니다.
2) 나는 최소한의 것을 지키려고 노력한다. 조금 있긴 하지만. 나는 반영하려고 노력할 것이다:
1. 선형, 다항식, 탄성(주기적) 및 기타 기본 함수
시장에는 규칙이 없습니다. 네투티.
2. 그러나 신경망은 현재의 팝적인 거래 패턴을 포착할 수 있기 때문에 유용합니다.
3. 캡처된 패턴은 오래 지속되지 않고 점차 흐려집니다.
4. NS 입구에는 다양한 수용체가 있는 것이 가장 좋다.
5. 다중 통화 바구니 게임은 포트폴리오 게임보다 2배 더 안정적입니다.
6-7-8....바이 화.
3) 아닙니다. 이 (토론된) 터널의 끝에서 막다른 골목을 열었습니다. 또한 알아내면 유용한 결과입니다.
4) 네, 감사합니다. 삭제했습니다. 나는 메시지가 두 번 날아간 것을 눈치채지 못했다.
그러면 떠오르는 것은 데이터베이스의 크기가 아니라 통계적으로 정당화되는 입력 d 의 크기와 임계값 H 의 값입니다! 올바른 RT 시리즈(진드기 기반)의 경우 양초에서 작동하는 패턴이 작동하지 않는다는 것을 알았습니다. 예를 들어 그리드에 8개 이상의 입력을 제공하는 것은 거의 의미가 없습니다. 10개 이상의 RT 판독값이 형성되는 동안 시간당 24개 항목(단일 항목 포함)에 대한 시장 변화가 최상의 결과를 제공합니다. 이는 분명히 일상적인 활동 때문입니다.
결국 전체 데이터베이스가 수십 개의 다른 패턴에 들어갈 것이라는 의심이 있습니다.