모델 범위에 대한 NS 작업의 결과를 보다 유익한 방식으로 제시해 보겠습니다. 실제 입력이 있는 신경망의 경우 가로축을 따라 부호와 진폭을 고려하고 세로축을 따라 예측된 값을 고려하여 VR 증분의 예측값을 플로팅합니다. 충분한 수의 실험 포인트가 있으면 다음 그림으로 끝납니다.
여기에서 라일락 점은 훈련 세트, 파란색 점은 테스트 세트, 검은색 점은 무작위 VR의 테스트 세트를 나타냅니다. 최소 자승법을 사용하여 데이터 클라우드를 통해 직선을 그립니다. 이러한 선의 기울기는 예측의 정확도(45도에 가까울수록 예측이 더 정확함), 선 주변의 점 분산 - 예측의 분산, 검정 기울기 간의 차이를 나타냅니다. 선 및 수평 방향 - 얻은 결과의 통계적 중요성과 동시에 알고리즘에 오류가 없음(예: 미래 내다보기).
이진 입력으로 작동하고 예상되는 움직임의 신호만 예측하는 데 사용되는 신경망의 경우 단 하나의 매개변수(정확한 히트의 %)로 예측의 정확도를 평가할 수 있습니다. 다음 공식을 사용하여 계산할 수 있습니다.
여기서 x[i] 는 증분의 실제 값이고 y[i] 는 예측 값입니다. 이 절차는 훈련 샘플과 테스트 샘플 모두에 대해 수행되어야 하며 n 이 100보다 큰 것이 바람직합니다.
내 뉴런은 데이터 벡터의 n개 샘플에 대해 매번 훈련되고 n + 1번째 샘플(동일한 데이터 벡터의)을 예측합니다. 그리드 예측과 수정을 계산하는 데 사용하는 n+1번째 샘플의 실제 값 간의 차이입니다. 이러한 조건에서 훈련 및 테스트 샘플에 대한 그래프를 개별적으로 플롯하려면 어떻게 해야 합니까?
내 뉴런은 데이터 벡터의 n개 샘플에 대해 매번 훈련되고 n + 1번째 샘플(동일한 데이터 벡터의)을 예측합니다. 그리드 예측과 수정을 계산하는 데 사용하는 n+1번째 샘플의 실제 값 간의 차이입니다. 이러한 조건에서 훈련 및 테스트 샘플에 대한 그래프를 개별적으로 플롯하려면 어떻게 해야 합니까?
네, 우리가 그것들을 어떻게 정의하는지는 중요하지 않습니다. NN이 훈련되고 예측한 샘플이 있다는 것이 중요합니다. 여기에 두 줄의 점을 그립니다.
중성자 에게
Sergey 는 여기 내가 Matkad에서 한 일에 대한 그래프입니다. 여기서 빨간색 선은 5항 사인의 첫 번째 차이이고 녹색 선은 다음 단계에서 뉴런의 행동을 추측하려는 시도입니다.
그것은 작동하는 것처럼 보입니다.
이제 Matkad에서 몇 분 동안 AUDUSD를 사용하겠습니다. 예, 이진 입력이 있는 뉴런이고 아래 그림에서 실제 입력이 있는 동일한 뉴런이라고 말하는 것을 잊었습니다.
이제 Matkad에서 몇 분 동안 AUDUSD를 사용하겠습니다.
잠깐 기다려요.
모델 범위에 대한 NS 작업의 결과를 보다 유익한 방식으로 제시해 보겠습니다. 실제 입력이 있는 신경망의 경우 가로축을 따라 부호와 진폭을 고려하고 세로축을 따라 예측된 값을 고려하여 VR 증분의 예측값을 플로팅합니다. 충분한 수의 실험 포인트가 있으면 다음 그림으로 끝납니다.
여기에서 라일락 점은 훈련 세트, 파란색 점은 테스트 세트, 검은색 점은 무작위 VR의 테스트 세트를 나타냅니다. 최소 자승법을 사용하여 데이터 클라우드를 통해 직선을 그립니다. 이러한 선의 기울기는 예측의 정확도(45도에 가까울수록 예측이 더 정확함), 선 주변의 점 분산 - 예측의 분산, 검정 기울기 간의 차이를 나타냅니다. 선 및 수평 방향 - 얻은 결과의 통계적 중요성과 동시에 알고리즘에 오류가 없음(예: 미래 내다보기).
이진 입력으로 작동하고 예상되는 움직임의 신호만 예측하는 데 사용되는 신경망의 경우 단 하나의 매개변수(정확한 히트의 %)로 예측의 정확도를 평가할 수 있습니다. 다음 공식을 사용하여 계산할 수 있습니다.
여기서 x[i] 는 증분의 실제 값이고 y[i] 는 예측 값입니다. 이 절차는 훈련 샘플과 테스트 샘플 모두에 대해 수행되어야 하며 n 이 100보다 큰 것이 바람직합니다.
그래요. 최소제곱법에 대해 명확히 해주세요 - 그것이 무엇인지, 어떻게 계산하는지 모르겠습니다. 예, 한 가지 더 있습니다. Matkad의 사진과 공식을 포럼에 어떻게 삽입합니까?
먼저 그래픽 편집기에 복사한 다음 필요에 따라 자릅니다.
예, 동일합니다. 모니터의 선택된 영역을 캡처하는 그래픽 편집기의 화면 캡처 기능이 있습니다. 차트를 클릭 하고 컨텍스트 메뉴 등에서 복사할 수도 있습니다.
다음은 MNC의 공식입니다.
x 벡터와 y 벡터의 길이가 같아야 합니다. 이 방법을 사용하면 각 점에서 이 직선까지의 모든 거리의 합이 가능한 모든 옵션의 최소가 되도록 점 세트를 통해 직선을 그릴 수 있습니다.
나는 당신의 사진에서와 같은 구름을 얻을 수 없습니다
다음과 같이 밝혀졌습니다.
가로 좌표는 5항 사인의 첫 번째 차이이고 세로 좌표는 네트워크 예측값입니다.
차트 유형 이 올바르지 않은 것은 아닐까? 그는 모든 점을 선으로 연결하려고 합니다. 이제 다른 걸 해볼게
따라서 점선 표현 대신 그래픽 설정 에서 선택합니다.
이 점들을 원하는 색상으로 색칠하십시오. 그리고 그리드를 표시합니다(왼쪽 창의 설정).
영형! 그러나 히스테리시스 루프가 나타납니다!
Sergey , 훈련 샘플과 테스트 샘플이 같은 것이 아닌가요?
내 뉴런은 데이터 벡터의 n개 샘플에 대해 매번 훈련되고 n + 1번째 샘플(동일한 데이터 벡터의)을 예측합니다. 그리드 예측과 수정을 계산하는 데 사용하는 n+1번째 샘플의 실제 값 간의 차이입니다. 이러한 조건에서 훈련 및 테스트 샘플에 대한 그래프를 개별적으로 플롯하려면 어떻게 해야 합니까?
이 방법을 사용하면 각 점에서 이 직선까지의 모든 거리의 합이 가능한 모든 옵션의 최소가 되도록 점 세트를 통해 직선을 그릴 수 있습니다.
정정하겠습니다. "거리"가 아니라 "거리의 제곱"입니다.
그리고 그건 그렇고, 최소 제곱에 따르면 직선의 계수를 계산할 수 없습니다.
Sergey , 훈련 샘플과 테스트 샘플이 같은 것이 아닌가요?
내 뉴런은 데이터 벡터의 n개 샘플에 대해 매번 훈련되고 n + 1번째 샘플(동일한 데이터 벡터의)을 예측합니다. 그리드 예측과 수정을 계산하는 데 사용하는 n+1번째 샘플의 실제 값 간의 차이입니다. 이러한 조건에서 훈련 및 테스트 샘플에 대한 그래프를 개별적으로 플롯하려면 어떻게 해야 합니까?
네, 우리가 그것들을 어떻게 정의하는지는 중요하지 않습니다. NN이 훈련되고 예측한 샘플이 있다는 것이 중요합니다. 여기에 두 줄의 점을 그립니다.
정정하겠습니다. "거리"가 아니라 "거리의 제곱"입니다.
그리고 그건 그렇고, 최소 제곱에 따르면 직선의 계수를 계산할 수 없습니다.