GRNN은 여러 가지 방법으로 인코딩할 수 있습니다. 가장 간단한 고정 시그마(클러스터 크기) 코드를 사용했습니다. 패턴 길이는 또 다른 매개변수입니다. 과거 데이터에 최적화하고 140바를 얻었습니다. 가격은 평활화 없이 입력되었습니다. 그런데 세 번째 방법(비선형 자기회귀)도 비슷한 결과를 보였습니다.
가장 가까운 이웃에서는 과거 패턴에 대한 유클리드 거리를 계산한 후 가장 가까운 패턴이 선택되고 해당 "미래" 값이 현재 패턴에 대한 예측으로 사용됩니다. 이것은 거의 사용되지 않는 간단한 버전입니다. 일반적으로 k개의 가장 가까운 이웃이 발견되고 그들의 "미래" 값이 평균화되거나 가중되어 현재 패턴에 대한 예측을 찾습니다.
죄송합니다 :-) 시작 부분의 예측은 다음과 같습니다.
gpwr은 분명히 푸리에를 다르게 준비하지만 내 방법에는 매개 변수가 없습니다.
:에 대한)))
GRNN과 푸리에의 차이점은 무엇입니까? 그리고 이 GRNN은 무엇입니까? 나는 단지 모른다. :에 대한(
아니, 아니,
여기에 나는 처음에 예측을 게시하고 맨 끝에 표시하지 않습니다.
게다가 매개변수가 없으면 gpwr은 어떻게 다른 행을 얻습니까?
GRNN은 여러 가지 방법으로 인코딩할 수 있습니다. 가장 간단한 고정 시그마(클러스터 크기) 코드를 사용했습니다. 패턴 길이는 또 다른 매개변수입니다. 과거 데이터에 최적화하고 140바를 얻었습니다. 가격은 평활화 없이 입력되었습니다. 그런데 세 번째 방법(비선형 자기회귀)도 비슷한 결과를 보였습니다.
새로운 데이터에 따르면 이 두 가지 방법은 다음과 같은 예측을 제공합니다.
GRNN:
비선형 AR:
grasn , GRNN은 일종의 신경망입니다. 다음 은 정의가 있는 링크 입니다. 또는 여기에서 조금 더 똑똑합니다 .
예, 예 - 이미 알아냈습니다. 감사합니다 ... 참여해주셔서 감사합니다 :o)))))))
부록 : "매개변수 부족"이라는 문구에 혼란스러웠습니다. 모든 NS "항상 매개변수가 있음"
:에 대한)))
GRNN과 푸리에의 차이점은 무엇입니까? 그리고 이 GRNN은 무엇입니까? 나는 단지 모른다. :에 대한(
수학적으로 GRNN(일반 회귀 신경망)은 1991년 Specht가 제안한 가장 단순하면서도 매우 효율적인 신경망입니다. 여기 링크 참조
http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf
푸리에와는 관련이 없습니다. GRNN은 확률적 최근접 이웃 신경망을 나타냅니다. 모든 과거 패턴이 취해지며 현재 패턴에서 과거까지의 유클리드 거리가 이러한 방식으로 계산됩니다.
D[n] = SUM( (열기[i] - 열기[n+i])^2, i=0...패턴길이 )
그런 다음 과거 "미래" 가격에서 가중 평균 유형 예측이 계산됩니다.
Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma)), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*) 시그마)), n=0...AllPastPatterns)
가장 가까운 이웃에서는 과거 패턴에 대한 유클리드 거리를 계산한 후 가장 가까운 패턴이 선택되고 해당 "미래" 값이 현재 패턴에 대한 예측으로 사용됩니다. 이것은 거의 사용되지 않는 간단한 버전입니다. 일반적으로 k개의 가장 가까운 이웃이 발견되고 그들의 "미래" 값이 평균화되거나 가중되어 현재 패턴에 대한 예측을 찾습니다.
네 이해했습니다,
만일을 대비 하여 네오클래식 - ku가 질문한 내용을 자세히 설명합니다. 그의 게시물 내용을 상기시켜 드리겠습니다.
gpwr видимо, по другому готовит Фурье , у моего метода нет параметров
그래서 나는 신고전주의 풍 으로 질문했습니다. o))))) 그의 예측이 푸리에와 약간 비슷하기 때문에 차이점은 무엇입니까?
gpwr 에
짧은 여행 감사합니다
수학 으로
이미 말씀해주셔서 감사합니다. 하지만 항상 반복할 준비가 되어 있습니다. o)))
Grasn , '동적 푸리에 변환 외삽법' 참조
작동 원리가 여기에 작성되어 있으며 표시기 자체가 배치되어 있습니다 :-)
Grasn, '동적 푸리에 변환 외삽법' 참조
작동 원리가 여기에 작성되어 있으며 표시기 자체가 배치되어 있습니다 :-)
그리고:
GRNN이 대박을 터트린 것 같습니다 :-)
아니면 당신이 나를 다시 한 번 혼란스럽게하지 않으면 하루가 실제로 낭비되기로 결정 했습니까? :에 대한)))))
나는 어떤 식 으로든 당신을 혼란스럽게 할 의도가 없었습니다 :-)
Похоже GRNN сорвала куш
나는 예측 gpwr GRNN이 가장 정확한 것으로 판명되었다는 것을 염두에두고 말했고 단순히 주제 개발에 내 그림을 가져 왔습니다.
나는 어떤 식 으로든 당신을 혼란스럽게 할 의도가 없었습니다 :-)
나는 예측 gpwr GRNN이 가장 정확한 것으로 판명되었다는 것을 염두에두고 말했고 단순히 주제 개발에 내 그림을 가져 왔습니다.
모든 것이 명확합니다 :o)))))))
추신: 한 가지를 제외하고 - GRNN은 최악의 예측 중 하나를 제공했습니다. 하지만 이건 내꺼야, IMHO. 그것은 분명하다.