시그모이드 함수 자체가 분포를 평평하게 하지 않는가... 제 생각에는 전처리를 할 때 데이터 고정성 문제를 해결하는 것이 더 중요하다고 생각합니다.
그건 그렇고, 당신이 준 공식은 W=420, d=14, sl-하지만 P> 50400을 얻습니다. 약간 더 큰 샘플이 얻어진 것 같지 않습니까?
아니요, singmoid나 쌍곡선 또는 다른 함수는 분포를 평평하게 만들지 않습니다. 함수를 적용하기 전과 후의 분포를 도표화하면 이것을 쉽게 확인할 수 있습니다. 여기서 특별한 방법을 적용해야 합니다.
샘플의 "크기"에 관해서는 여기에서 타협이 가능합니다. 예를 들어, 사용 가능한 기록 데이터의 길이가 더 짧을 때 학습의 조기 중단을 조언하는 것이 가능합니다. 이렇게 하면 재훈련의 효과를 피할 수 있지만 이 훈련 방법으로 신경망의 분류 능력은 어떤 경우에도 다음과 같이 됩니다. 충분히 큰 기록에 대해 훈련된 신경망보다 열등합니다.
일반적으로 시계열, 특히 금융 시계열은 중단되지 않는 것이 좋습니다. 정보가 손실됩니다.....
신경망 훈련의 복잡성으로 인해 우리는 항상 아키텍처 복잡성과 컴퓨팅 성능 사이에서 절충안을 찾아야 합니다. 우리가 사용하는 아키텍처의 최대 복잡성이 존재하면 물론 NN 입력의 최대 차원에 제한이 있으므로 결과적으로 특정 길이(100 또는 그 이상) 이하의 벡터를 적용할 수 있습니다. 최대) 입력에 대한 데이터 손실과 기록 범위 중에서 선택해야 합니다. 때로는 (AI 측면에서) 더 많은 것을 다루고 합리적인 시간에 다루는 내용을 이해하는 것이 중요합니다.
Neutron писал(а)>> NN 훈련의 복잡성으로 인해 아키텍처의 복잡성과 컴퓨팅 성능 사이에서 항상 절충안을 찾아야 한다고 말했습니다. 우리가 사용하는 아키텍처의 최대 복잡성이 존재하면 물론 NN 입력의 최대 차원에 제한이 있으므로 결과적으로 특정 길이(100 또는 그 이상) 이하의 벡터를 적용할 수 있습니다. 최대) 입력에 대한 데이터 손실과 기록 범위 중에서 선택해야 합니다. 때로는 (AI 측면에서) 더 많은 것을 다루고 합리적인 시간에 다루는 내용을 이해하는 것이 중요합니다.
10-15개의 뉴런이 1500-2000바 또는 그 이상에서 역사를 쉽고 자연스럽게 배우기 때문에 신경망 아키텍처의 복잡성을 쫓는 것은 의미가 없습니다. 그러나 그들이 역사를 더 잘 배울수록 미래에 더 나빠질 것입니다. 오버트레이닝의 영향이 시작됩니다. 도구의 움직임에 대한 정확한 정보를 신경망에 제공하는 "올바른" 입력을 선택하는 것이 훨씬 더 효율적이고 생산적입니다.
레오니드 , 네, 국회 재교육에는 문제가 없습니다. 아름다운 이름과 세 개의 못이 들어있는 이 상자 안에서 무슨 일이 일어나고 있는지 본질을 잘못 이해하고 있기 때문입니다. 최소값보다 짧은 훈련 샘플을 취하지 마십시오. 그러면 무작위 방법으로 결정할 필요가 없습니다. 어느 것이 더 좋고 더 나쁩니다!
"올바른"입력에 관해서는 이것이 성공의 열쇠라는 점에 100 % 동의합니다. NS-ku에서 해결할 수있는 모든 것은 스스로 결정해야합니다. 그녀는 떠나야합니다. 결정에 없거나 부당하게 어려운 것입니다. 예를 들어 지그재그를 입력으로 적용하는 것은 이치에 맞지 않습니다. 이 경우 국회의 행동은 명백합니다. 표면에 무엇이 있는지 배울 것입니다. ZZ의 팔의 부호 교대 및 이러한 입력 데이터에서 의미가 없습니다.
레오니드 , 네, 국회 재교육에는 문제가 없습니다. 아름다운 이름과 세 개의 못이 들어있는 이 상자 안에서 무슨 일이 일어나고 있는지 본질을 잘못 이해하고 있기 때문입니다. 최소값보다 짧은 훈련 샘플을 사용하지 마십시오. 그러면 무작위 방법으로 무엇이 더 좋고 무엇이 더 나쁠지 결정할 필요가 없습니다!
샘플링에는 특정 문제가 있습니다. Forex에는 시간이 지남에 따라 변경되는 특정 이동 법칙이 있습니다. 따라서 너무 많은 샘플을 제공하면 네트워크가 이러한 운동 법칙을 찾지 못할 것입니다. 왜냐하면 너무 많고 너무 다르고 너무 작기 때문입니다. 빠르게 다시 학습합니다. 그리고 여기에서는 정확한 공식을 찾는 것이 불가능합니다. 따라서 여기에서도 NN 아키텍처의 복잡성이 아니라 거래자에 따라 크게 달라집니다.
그러나 Sigmoid 및/또는 이와 유사한 기능을 사용하여 입력 신호에 어리석게 행동하면 그럴 수 없습니다. 아마도 아래쪽 차트의 축을 오른쪽과 왼쪽으로 확장하면 히스토그램의 마지막 막대보다 1.5배 더 큰 거리가 발생합니다(단지 볼 수 있도록), 전체 기적은 사라지고 우리는 벨을 볼 것입니다.
일반적으로 시계열, 특히 금융 시계열은 중단되지 않는 것이 좋습니다. 정보가 손실됩니다.....
시그모이드 함수 자체가 분포를 평평하게 하지 않는가... 제 생각에는 전처리를 할 때 데이터 고정성 문제를 해결하는 것이 더 중요하다고 생각합니다.
그건 그렇고, 당신이 준 공식은 W=420, d=14, sl-하지만 P> 50400을 얻습니다. 약간 더 큰 샘플이 얻어진 것 같지 않습니까?
아니요, singmoid나 쌍곡선 또는 다른 함수는 분포를 평평하게 만들지 않습니다. 함수를 적용하기 전과 후의 분포를 도표화하면 이것을 쉽게 확인할 수 있습니다. 여기서 특별한 방법을 적용해야 합니다.
샘플의 "크기"에 관해서는 여기에서 타협이 가능합니다. 예를 들어, 사용 가능한 기록 데이터의 길이가 더 짧을 때 학습의 조기 중단을 조언하는 것이 가능합니다. 이렇게 하면 재훈련의 효과를 피할 수 있지만 이 훈련 방법으로 신경망의 분류 능력은 어떤 경우에도 다음과 같이 됩니다. 충분히 큰 기록에 대해 훈련된 신경망보다 열등합니다.
내 경험(작은)과 기사에서 샘플의 예제 수는 제안하는 방법에 따라 달라지지 않습니다...
그리고 내 경험에 따르면 - 모순은 없습니다 - 모든 것이 이론에 따릅니다.
일반적으로 시계열, 특히 금융 시계열은 중단되지 않는 것이 좋습니다. 정보가 손실됩니다.....
신경망 훈련의 복잡성으로 인해 우리는 항상 아키텍처 복잡성과 컴퓨팅 성능 사이에서 절충안을 찾아야 합니다. 우리가 사용하는 아키텍처의 최대 복잡성이 존재하면 물론 NN 입력의 최대 차원에 제한이 있으므로 결과적으로 특정 길이(100 또는 그 이상) 이하의 벡터를 적용할 수 있습니다. 최대) 입력에 대한 데이터 손실과 기록 범위 중에서 선택해야 합니다. 때로는 (AI 측면에서) 더 많은 것을 다루고 합리적인 시간에 다루는 내용을 이해하는 것이 중요합니다.
10-15개의 뉴런이 1500-2000바 또는 그 이상에서 역사를 쉽고 자연스럽게 배우기 때문에 신경망 아키텍처의 복잡성을 쫓는 것은 의미가 없습니다. 그러나 그들이 역사를 더 잘 배울수록 미래에 더 나빠질 것입니다. 오버트레이닝의 영향이 시작됩니다. 도구의 움직임에 대한 정확한 정보를 신경망에 제공하는 "올바른" 입력을 선택하는 것이 훨씬 더 효율적이고 생산적입니다.
레오니드 , 네, 국회 재교육에는 문제가 없습니다. 아름다운 이름과 세 개의 못이 들어있는 이 상자 안에서 무슨 일이 일어나고 있는지 본질을 잘못 이해하고 있기 때문입니다. 최소값보다 짧은 훈련 샘플을 취하지 마십시오. 그러면 무작위 방법으로 결정할 필요가 없습니다. 어느 것이 더 좋고 더 나쁩니다!
"올바른"입력에 관해서는 이것이 성공의 열쇠라는 점에 100 % 동의합니다. NS-ku에서 해결할 수있는 모든 것은 스스로 결정해야합니다. 그녀는 떠나야합니다. 결정에 없거나 부당하게 어려운 것입니다. 예를 들어 지그재그를 입력으로 적용하는 것은 이치에 맞지 않습니다. 이 경우 국회의 행동은 명백합니다. 표면에 무엇이 있는지 배울 것입니다. ZZ의 팔의 부호 교대 및 이러한 입력 데이터에서 의미가 없습니다.
레오니드 , 네, 국회 재교육에는 문제가 없습니다. 아름다운 이름과 세 개의 못이 들어있는 이 상자 안에서 무슨 일이 일어나고 있는지 본질을 잘못 이해하고 있기 때문입니다. 최소값보다 짧은 훈련 샘플을 사용하지 마십시오. 그러면 무작위 방법으로 무엇이 더 좋고 무엇이 더 나쁠지 결정할 필요가 없습니다!
샘플링에는 특정 문제가 있습니다. Forex에는 시간이 지남에 따라 변경되는 특정 이동 법칙이 있습니다. 따라서 너무 많은 샘플을 제공하면 네트워크가 이러한 운동 법칙을 찾지 못할 것입니다. 왜냐하면 너무 많고 너무 다르고 너무 작기 때문입니다. 빠르게 다시 학습합니다. 그리고 여기에서는 정확한 공식을 찾는 것이 불가능합니다. 따라서 여기에서도 NN 아키텍처의 복잡성이 아니라 거래자에 따라 크게 달라집니다.
모든 것이 맞습니다. 황소의 눈!
실제로 문제를 정면으로 풀면 최적의 샘플 길이는 다음과 같습니다.
P=(4-8)*(W^2)/d . 이것이 당신이 말하는 것입니다.
다음과 같은 일이 발생합니다. 변환 전, 후, 사진은 동일한 선택 항목이 아니지만 여러 번 수행했지만 효과는 동일합니다 ...
나는 그것이 똑바른 것을 본다.
그러나 Sigmoid 및/또는 이와 유사한 기능을 사용하여 입력 신호에 어리석게 행동하면 그럴 수 없습니다. 아마도 아래쪽 차트의 축을 오른쪽과 왼쪽으로 확장하면 히스토그램의 마지막 막대보다 1.5배 더 큰 거리가 발생합니다(단지 볼 수 있도록), 전체 기적은 사라지고 우리는 벨을 볼 것입니다.
글쎄, 또는 분석에 구멍이 뚫린 다른 것.
나는 그것이 똑바른 것을 본다.
그러나 이것은 있을 수 없습니다. 아마도 아래쪽 차트의 축을 오른쪽과 왼쪽으로 확장하면 히스토그램의 마지막 막대보다 1.5배 더 큰 거리가 발생합니다(단지 볼 수 있도록), 전체 기적은 사라지고 우리는 벨을 볼 것입니다.
글쎄, 또는 분석에 구멍이 뚫린 다른 것.
수치는 정규화되지 않은 데이터를 보여주며, 또한 다른 데이터에서 내가 한 일(결과적으로 어떻게 보이는지)의 예를 제시했습니다.
그리고 여기 스크립트가 있습니다. 당신은 그것을 사용하고 출력에서 어떤 일이 일어나는지 볼 수 있습니다(입력 데이터에 잉어만 입력하지 마십시오. 이 스크립트는 단지 예시를 위해 한 것입니다...)
//유형 0 - 선형 정규화, 1 - 비선형