우리가 훈련한 지 얼마나 되었습니까? 최소한의 오차까지? 이것은 100% 재교육임을 이해해야 합니다. 최소한의 오차가 아닌가요? 그럼 무엇에? 이를 통해 얻을 수 있는 이익은 무엇입니까? 그리고 왜이 특정 오류가 발생하기 전에? 오차를 조금 줄이면 이익이 증가할까요 감소할까요? 오류를 늘리면 어떻게 될까요?
왠지 이런.....)))))
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
LeoV>> : Ну это же не ответы, нужно понимать))). Это просто размышления "на тему" вобщем. Хорошо, берём НШ(не трейдер) или Солюшн, не важно, делаем сеть(не важно какую) и начинаем тренировать. До каких пор её тренируем?До минимальной ошибки? Нужно понимать, что это будет переобучение 100%. Не до минимальной ошибки? Тогда до какой? Какой будет при этом профит? И почему до именно этой ошибки? Если уменьшить немного ошибку профит увеличится или уменьшиться? А если увеличить ошибку?
TS가 가능한 한 많은 이익을 가능한 한 자주 제공하는 데 관심이 있다고 가정해 보겠습니다.
이 원칙에 따라 훈련된 네트워크에서 OOS에 이익이 있을 것이라고 기대할 수 있습니다. 이러한 목표에 기여하는 패턴에 대한 네트워크를 강조하는 평균 루트 오류를 적용해야 합니다 . 저것들. 네트워크는 어떤 종류의 결과를 초래하는 특정 패턴에 초점을 맞춥니다.
제곱 평균 오차를 사용하면 규칙성이 강조되지 않고 "평균"됩니다.
최소 평균 근 오차로 훈련해야 합니다. 그리고 재훈련은 평균 제곱근 오차(근사값이 아님)를 사용하는 경우입니다. 근사의 경우 제곱 평균 제곱근 오차가 작을수록 좋습니다.
물론, 누군가가 원하더라도 귀하의 질문에 구체적인 답변을 줄 가능성은 거의 없습니다. 나는 피트니스 함수의 선택이 그리드에 대한 입력 값의 선택보다 우리 질문에 대한 답을 결정하는 거의 더 중요한 작업임을 보여주려고 했습니다. 그리고 일반적으로 입력 데이터의 고통스럽고 긴 열거로 제한됩니다 ......
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
예제가 너무 적으면 네트워크가 훈련 샘플 예제에서는 잘 수행되지만 동일한 통계 분포를 따르는 테스트 예제에서는 제대로 수행되지 않을 때 네트워크가 "과적합"될 수 있습니다.
네트워크 자체에 들어갈 수 있는 것보다 적은 수의 예제로 네트워크를 훈련시키는 방법을 이해합니다. 상황이 들쭉날쭉한 경험과 정확히 같지 않은 경우 결과는 들쭉날쭉하고 혼란스러워집니다. "Jagged" - "to ram"이라는 단어에서 - 마음으로 알지만 정보를 이해하지 못하고 적용 할 수 없습니다.
네트워크 자체에 들어갈 수 있는 것보다 적은 수의 예제로 네트워크를 훈련시키는 방법을 이해합니다. 상황이 들쭉날쭉한 경험과 정확히 같지 않은 경우 결과는 들쭉날쭉하고 혼란스러워집니다. "Jagged" - "to ram"이라는 단어에서 - 마음으로 알지만 정보를 이해하지 못하고 적용 할 수 없습니다.
제 생각에 "재훈련"이라는 용어는 금융 시장에서 신경망을 사용하는 것에 더 가깝습니다. 우리는 시장이 시간이 지남에 따라 변하고 패턴이 변하고 미래에 시장이 과거와 완전히 동일하지 않을 것이라는 점을 알고 있습니다. 따라서 네트워크가 학습할 때 시장을 너무 잘 학습하고 미래에 더 이상 적절하게 작동할 수 없습니다. "재훈련"입니다. 물론 뉴런 수를 줄이는 것은 "과적합"을 방지하는 한 가지 방법입니다. 그러나 그는 혼자 일하지 않습니다.
글쎄, 이것은 대답이 아닙니다. 이해해야합니다)))). 일반적으로 "주제에 대한" 생각일 뿐입니다. 음, 우리는 NS(상인 아님) 또는 솔루션을 선택합니다. 중요하지 않습니다("학업 목적"용). 네트워크를 만들고(어느 것이든 상관 없음) 교육을 시작합니다. 우리가 훈련한 지 얼마나 되었습니까? 최소한의 오차까지? 이것은 100% 재교육임을 이해해야 합니다. 최소한의 오차가 아닌가요? 그럼 무엇에? 이를 통해 얻을 수 있는 이익은 무엇입니까? 그리고 왜이 특정 오류가 발생하기 전에? 오차를 조금 줄이면 이익이 증가할까요 감소할까요? 오류를 늘리면 어떻게 될까요?
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
뉴런의 수가 항상 결정적인 역할을 하는 것은 아니지만, 뉴런의 수(대부분의 경우 정확도 손실 없이 최소값)를 선택하면 오류가 감소합니다.
입력의 영향과 불필요한 것을 제거하는 것은 종종 레이어에서 뉴런을 선택하는 것보다 더 큰 효과를 줄 수 있습니다.
우리가 훈련한 지 얼마나 되었습니까? 최소한의 오차까지? 이것은 100% 재교육임을 이해해야 합니다. 최소한의 오차가 아닌가요? 그럼 무엇에? 이를 통해 얻을 수 있는 이익은 무엇입니까? 그리고 왜이 특정 오류가 발생하기 전에? 오차를 조금 줄이면 이익이 증가할까요 감소할까요? 오류를 늘리면 어떻게 될까요?
왠지 이런.....)))))
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
Ну это же не ответы, нужно понимать))). Это просто размышления "на тему" вобщем. Хорошо, берём НШ(не трейдер) или Солюшн, не важно, делаем сеть(не важно какую) и начинаем тренировать. До каких пор её тренируем? До минимальной ошибки? Нужно понимать, что это будет переобучение 100%. Не до минимальной ошибки? Тогда до какой? Какой будет при этом профит? И почему до именно этой ошибки? Если уменьшить немного ошибку профит увеличится или уменьшиться? А если увеличить ошибку?
답이 아닌 것처럼. 답변.
주 작성 >>
TS가 가능한 한 많은 이익을 가능한 한 자주 제공하는 데 관심이 있다고 가정해 보겠습니다.
이 원칙에 따라 훈련된 네트워크에서 OOS에 이익이 있을 것이라고 기대할 수 있습니다. 이러한 목표에 기여하는 패턴에 대한 네트워크를 강조하는 평균 루트 오류를 적용해야 합니다 . 저것들. 네트워크는 어떤 종류의 결과를 초래하는 특정 패턴에 초점을 맞춥니다.
제곱 평균 오차를 사용하면 규칙성이 강조되지 않고 "평균"됩니다.
최소 평균 근 오차로 훈련해야 합니다. 그리고 재훈련은 평균 제곱근 오차(근사값이 아님)를 사용하는 경우입니다. 근사의 경우 제곱 평균 제곱근 오차가 작을수록 좋습니다.
물론, 누군가가 원하더라도 귀하의 질문에 구체적인 답변을 줄 가능성은 거의 없습니다. 나는 피트니스 함수의 선택이 그리드에 대한 입력 값의 선택보다 우리 질문에 대한 답을 결정하는 거의 더 중요한 작업임을 보여주려고 했습니다. 그리고 일반적으로 입력 데이터의 고통스럽고 긴 열거로 제한됩니다 ......
PS와 Integer를 조금 앞서 쓰면서. 나는 그와 동의합니다.
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
"재교육"이라는 용어를 무엇으로 이해합니까?
Integer 와 마찬가지로 귀하의 의견에 동의합니다. 그러나 당신은 스스로 썼습니다 -
"재교육"이라는 용어를 무엇으로 이해합니까?
신경망의 적용과 훈련의 맥락에서 나는 그것을 전혀 이해하지 못하고 현상의 의미를 반영하지 않습니다. 예를 들어 여기(뿐만 아니라) - http://www.exponenta.ru/soft/others/mvs/stud3/3.asp :
예제가 너무 적으면 네트워크가 훈련 샘플 예제에서는 잘 수행되지만 동일한 통계 분포를 따르는 테스트 예제에서는 제대로 수행되지 않을 때 네트워크가 "과적합"될 수 있습니다.
네트워크 자체에 들어갈 수 있는 것보다 적은 수의 예제로 네트워크를 훈련시키는 방법을 이해합니다. 상황이 들쭉날쭉한 경험과 정확히 같지 않은 경우 결과는 들쭉날쭉하고 혼란스러워집니다. "Jagged" - "to ram"이라는 단어에서 - 마음으로 알지만 정보를 이해하지 못하고 적용 할 수 없습니다.
Integer 와 마찬가지로 귀하의 의견에 동의합니다. 그러나 당신은 스스로 썼습니다 -
))))글쎄요, 그렇지만, 제 말은 특정 수치로 볼 때 그럴 가능성이 거의 없다는 것입니다. :)
신경망의 적용과 훈련의 맥락에서 나는 그것을 전혀 이해하지 못하고 현상의 의미를 반영하지 않습니다. 예를 들어 여기(뿐만 아니라) - http://www.exponenta.ru/soft/others/mvs/stud3/3.asp :
네트워크 자체에 들어갈 수 있는 것보다 적은 수의 예제로 네트워크를 훈련시키는 방법을 이해합니다. 상황이 들쭉날쭉한 경험과 정확히 같지 않은 경우 결과는 들쭉날쭉하고 혼란스러워집니다. "Jagged" - "to ram"이라는 단어에서 - 마음으로 알지만 정보를 이해하지 못하고 적용 할 수 없습니다.
제 생각에 "재훈련"이라는 용어는 금융 시장에서 신경망을 사용하는 것에 더 가깝습니다. 우리는 시장이 시간이 지남에 따라 변하고 패턴이 변하고 미래에 시장이 과거와 완전히 동일하지 않을 것이라는 점을 알고 있습니다. 따라서 네트워크가 학습할 때 시장을 너무 잘 학습하고 미래에 더 이상 적절하게 작동할 수 없습니다. "재훈련"입니다. 물론 뉴런 수를 줄이는 것은 "과적합"을 방지하는 한 가지 방법입니다. 그러나 그는 혼자 일하지 않습니다.
글쎄, 이것은 대답이 아닙니다. 이해해야합니다)))). 일반적으로 "주제에 대한" 생각일 뿐입니다. 음, 우리는 NS(상인 아님) 또는 솔루션을 선택합니다. 중요하지 않습니다("학업 목적"용). 네트워크를 만들고(어느 것이든 상관 없음) 교육을 시작합니다. 우리가 훈련한 지 얼마나 되었습니까? 최소한의 오차까지? 이것은 100% 재교육임을 이해해야 합니다. 최소한의 오차가 아닌가요? 그럼 무엇에? 이를 통해 얻을 수 있는 이익은 무엇입니까? 그리고 왜이 특정 오류가 발생하기 전에? 오차를 조금 줄이면 이익이 증가할까요 감소할까요? 오류를 늘리면 어떻게 될까요?
왠지 이런.....)))))
네트워크는 테스트 세트의 최소 오류로 훈련되어 훈련 세트에 따라 가중치를 조정합니다.
네트워크는 테스트 세트의 최소 오류로 훈련되어 훈련 세트에 따라 가중치를 조정합니다.
이것은 분명합니다. 오차가 작을수록 이익이 더 큽니까? 아니면 어떤 관계입니까? (이에 대해 말하는 것입니다)
최소한의 오차로. "재훈련"(현상의 의미를 전혀 반영하지 않는 단어)이 없도록 하려면 네트워크의 뉴런 수가 가능한 한 작아야 합니다. 훈련 후에는 네트워크의 개별 입력의 영향을 분석하고 약한 것을 제거하는 절차와 뉴런의 수를 줄이는 절차가 있습니다. 마치 비 유적으로 ...이 전자 두뇌에 훈련의 영향을받지 않는 빈 공간이 없도록.
뉴런의 수가 항상 결정적인 역할을 하는 것은 아니지만, 뉴런의 수(대부분의 경우 정확도 손실 없이 최소값)를 선택하면 오류가 감소합니다.
입력의 영향과 불필요한 것을 제거하는 것은 종종 레이어에서 뉴런을 선택하는 것보다 더 큰 효과를 줄 수 있습니다.