아니요, Petka는 마당의 모든 덤불을 꺼냈습니다. 그들은 제곱근을 찾도록 요청했습니다 :-)
바라보다. 이것은 샘플당 2개의 입력과 8개의 훈련 에포크가 있는 2계층 Ns-ka입니다. 500번의 판독값과 정확한 예측 확률은 10번의 독립적인 실험의 평균으로 계산됩니다(결과의 통계적 유의성을 위해).
빨간색은 훈련 세트의 결과, 파란색은 테스트 세트의 결과를 나타냅니다. 결과는 크게 다르지 않음을 알 수 있으며 이는 네트워크가 과도하게 훈련되지 않았음을 나타내므로 좋은 현상입니다. 종종 실수는 NN 훈련 결과만 보고 너무 짧은 훈련 벡터(최적 길이보다 작음)를 선택하고 훈련 세트에서 거의 100% 적중을 달성한다는 것입니다. 동시에 훈련에 참여하지 않은 샘플에 대한 예측 결과는 보지 않습니다! 그런 다음 완전한 피펫은 일반적으로 결과가 약 0입니다. 이것은 재훈련이며 그리드는 마음으로 교훈을 얻었으며 스스로 시를 지을 수 없습니다. 그런 다음 그들은 배수가 발생하는 이유를 궁금해합니다.
나는 이 공식에 따라 구축된 BP를 동일한 가격 증분 H 의 세그먼트로 나누고 첫 번째 차이를 취합니다. 수신된 증분은 +/-1로 반올림하여 예측하려고 합니다. NP 그림. 가로축은 거래 범위 H 를 포인트로 표시하고 세로축은 확률을 표시합니다. 따라서 입력은 바이너리입니다.
이봐, 뉴턴 ! 일반적으로 2층에서는 아직 작동하지 않습니다.
ORO로 단층 퍼셉트론을 작성하고 어제 하루 종일 운전했습니다. 그는 이상하게 행동하고 있습니다. 그것은 배우거나 배우지 않으며, epoch의 수에 따라 치명적입니다.
저것들. 내 결과는 다음과 같습니다. 8 epoch - 메쉬가 학습하지 않음, 12 epoch - 메쉬가 학습, 13 epoch - 메쉬가 학습하지 않습니다.
요컨대, 나는 아직 결과를 자랑할 수 없습니다.
만일을 대비하여 제가 구현한 알고리즘을 작성하겠습니다. 내가 놓친 것이 있는지 확인하십시오.
1. 퍼셉트론 D 바이너리 입력에서, 그 중 하나는 상수 +1입니다.
2. 사용된 VR - Open 시리즈에 따른 인용의 연속적인 증분.
3. 작업을 시작하기 전에 모든 가중치는 +/-1 범위의 작은 임의 값으로 초기화됩니다.
4. 훈련 벡터의 길이는 P = 4 * D * D / D = 4 * D 로 계산됩니다.
5. 훈련 벡터는 그리드의 입력에 공급되고 네트워크 오류는 Qs = Test - OUT 으로 계산됩니다. 여기서 Test는 n + 1 에서의 TS 값입니다. 다음, 카운트다운, OUT - n번째 카운트다운에서 그리드 출력.
6. 입력 Q 에서 오류 값을 얻으려면 그리드 오류 Qs 에 수축 함수 (1 - OUT+OUT) 의 도함수를 곱합니다. Q = Qs *(1 - OUT*OUT) .
7. 보정 벡터는 뉴런 COR[i] += Q*D[i] 에 포함된 각 가중치에 대해 Epoch 전체에 걸쳐 계산 및 누적됩니다.
8. epoch 전체에서 별도로 계산 및 누적된 값은 뉴런 SQR[i] += COR[i]*COR[i] 에 포함된 각 가중치에 대한 보정 벡터의 제곱입니다.
9. 에포크가 끝나면 각 가중치에 대해 개인 보정이 계산되고 이 가중치 W[i] += COR[i]/SQR[i] 에 추가됩니다.
나는 계수 (1 - j/N) 를 사용하고 가중치를 무작위화하려고 했습니다. 가중치의 절대값은 20 이상으로 증가했습니다. 무작위화가 더 좋습니다.
PS는 텍스트의 오류를 수정했습니다
paralocus , 입구에 여자 친구를 밀어
가격을 공개하는 대신. 그리고 결과를 게시합니다. 학습하지 않으면 오류는 치명적이므로 심각하게 찾아야 합니다.
추신 벡터를 표준 또는 제곱으로 나누는 중입니까? 규범에 필요하지만 당신이 쓴 것은 근을 빼지 않고 제곱의 합과 비슷합니다.
감사합니다. 노력하고 있습니다.
다음은 AUDUSD, H4, D=13, epoch 33에 대한 여성 결과입니다. 2009년 1월 8일부터 2009년 5월 21일까지 히스토리 섹션에서 테스트를 수행했습니다.
옵티마이저를 사용하여 얻은 몇 가지 포인트(epoch 수: 31, 25, 14, 10, 7)가 더 있지만 결과는 더 나쁩니다.
PS 정확히! 루트는 ... 정사각형 ... 추출하는 것을 잊었습니다!
PS 정확히! 루트는 ... 정사각형 ... 추출하는 것을 잊었습니다!
Chapaev에 대한 농담처럼! :-)
Chapaev에 대한 농담처럼! :-)
-:) ... 그녀는 울지만 세이버를 날카롭게합니다 ...
아니요, Petka는 마당의 모든 덤불을 꺼냈습니다. 그들은 제곱근을 찾도록 요청했습니다 :-)
바라보다. 이것은 샘플당 2개의 입력과 8개의 훈련 에포크가 있는 2계층 Ns-ka입니다. 500번의 판독값과 정확한 예측 확률은 10번의 독립적인 실험의 평균으로 계산됩니다(결과의 통계적 유의성을 위해).
빨간색은 훈련 세트의 결과, 파란색은 테스트 세트의 결과를 나타냅니다. 결과는 크게 다르지 않음을 알 수 있으며 이는 네트워크가 과도하게 훈련되지 않았음을 나타내므로 좋은 현상입니다. 종종 실수는 NN 훈련 결과만 보고 너무 짧은 훈련 벡터(최적 길이보다 작음)를 선택하고 훈련 세트에서 거의 100% 적중을 달성한다는 것입니다. 동시에 훈련에 참여하지 않은 샘플에 대한 예측 결과는 보지 않습니다! 그런 다음 완전한 피펫은 일반적으로 결과가 약 0입니다. 이것은 재훈련이며 그리드는 마음으로 교훈을 얻었으며 스스로 시를 지을 수 없습니다. 그런 다음 그들은 배수가 발생하는 이유를 궁금해합니다.
만세!!!
방금 내 예금이 1K를 초과했습니다!
Neutron 및 테스트 샘플 공식에 따라 훈련된 그리드에 대한 이진 입력은 무엇입니까?
나는 이 공식에 따라 구축된 BP를 동일한 가격 증분 H 의 세그먼트로 나누고 첫 번째 차이를 취합니다. 수신된 증분은 +/-1로 반올림하여 예측하려고 합니다. NP 그림. 가로축은 거래 범위 H 를 포인트로 표시하고 세로축은 확률을 표시합니다. 따라서 입력은 바이너리입니다.
무슨 말인지 알겠다. 이 공식을 눈으로 보기 위해 칠면조처럼 차트로 가져왔습니다. 나는 이 모든 경제를 그리드의 입력에 넣었지만 결과를 보는 방법을 결코 알지 못할 것입니다.
저것들. 테스터 사용 - 작동하지 않습니다. 당신은 단지 무게를 인쇄하고 그녀가 어떻게 ... 살아 있는지 볼 수 있습니다.
아니, 여전히 조금 다릅니다. 결과 BP를 동일한 증분의 세그먼트로 나누지 않고 D 샘플에서 BP를 연속적으로 증분했습니다.
무슨 말인지 알겠다. 이 공식을 눈으로 보기 위해 칠면조처럼 차트로 가져왔습니다. 나는 이 모든 경제를 그리드의 입력에 넣었지만 결과를 보는 방법을 결코 알지 못할 것입니다.
저것들. 테스터 사용 - 작동하지 않습니다. 당신은 단지 무게를 인쇄하고 그녀가 어떻게 ... 살아 있는지 볼 수 있습니다.
아니, 여전히 조금 다릅니다. 결과 BP를 동일한 증분의 세그먼트로 나누지 않고 D 샘플에서 BP를 연속적으로 증분했습니다.
Comment()를 통해 가중치를 표시할 수 있습니까?
Comment()를 통해 가중치를 표시할 수 있습니까?
가능하지만 편리하지 않기 때문입니다. Comment()에 대한 각 후속 호출은 이전 출력과 동일한 그래픽 좌표에서 생성되기 때문에 이전 출력의 결과를 "막히게" 합니다. 따라서 Print();