여기에서 읽으십시오: http://www.eicstes.org/EICSTES_PDF/PAPERS/The%20Self-Organizing%20Map%20(Kohonen).pdf
SCP의 세포에 대한 입력 벡터의 최적 분포 문제는 첫째, SCP의 적절한 훈련에 달려 있습니다. Kohonen은 훈련 반복 횟수가 네트워크에 있는 뉴런 수의 500배 이상이어야 한다고 썼습니다! 즉, 100개의 뉴런(10 x 10) 크기의 네트워크를 훈련하는 경우 반복 횟수는 최소 50,000이어야 합니다.솔직히 입력 벡터가 다음과 같다면 일반 PC에서 이러한 네트워크를 훈련합니다. 매우 큰 차원(예: 40) - 며칠이 걸립니다. Kohonen이 제안한 휴리스틱은 최소한 10,000번의 훈련 반복이 있어야 한다는 것입니다. 또한 많은 IMHO가 있지만 옵션으로 입력 벡터의 크기를 줄이고 어떤 일이 일어나는지 볼 수 있습니다.
같은 기사에서 SPC의 훈련과 관련된 두 번째 요점은 입력 벡터의 크기가 훈련 반복 횟수에 영향을 미치지 않는다는 것입니다. 그것은 모두 PC의 성능에 달려 있습니다.
세 번째 요점, 기사에서 제안한 것처럼 뉴런의 학습 반경은 SCP에 대한 기본 "위상적 순서"를 설정하기 위해 초기에 매우 커야 합니다(SCP 직경의 절반 이상으로 만들 수 있음). 그런 다음 반지름은 0까지 반복 횟수에 반비례하여 감소하며, 이는 단 하나의 뉴런의 가중치 수정이 발생할 때입니다. 동시에 훈련 초기에 설정한 원래의 토폴로지 순서는 위반되지 않지만 맵의 로컬 영역에서 정제됩니다. 거기 봐...
훈련과 관련된 또 다른 요점은 훈련 단계로, 처음에는 커야 하고(약 1), 반복 횟수에 반비례하여 감소해야 하며 통과된 반복 횟수에 대한 훈련 단계 종속성의 함수는 다음 중 하나일 수 있습니다. 선형 또는 비선형. 훈련이 끝나면 SQL의 미세 조정을 위해 단계가 0.01 미만으로 오랫동안 매우 작게 유지됩니다.
이 기사에서는 훈련을 위한 데이터 전처리에 대해서도 설명하지만 음성 및 이미지 인식에 적용합니다. 우리의 경우 이것은 시계열 이므로 다른 곳을 파헤쳐야 합니다. SOM을 시계열에 적용하는 것에 대해 많은 논의가 있었던 것으로 알고 있습니다.
과거 데이터(즉, 네트워크가 학습하기를 원하는 데이터)에는 가격 변동에 대한 거의 무한한 수의 옵션이 있습니다. 네트워크 자체에서 수행해야 할 작업과 주의해야 할 사항을 어떻게 이해해야 합니까?
주변에 수많은 장난감이 있는 아이를 상상해 보십시오. 셀 수 없이 많은 장난감에도 불구하고(또는 바로 이런 이유로), 아이는 이 장난감이 자동차이고 이것이 테디베어라는 것을 스스로 결코 알지 못할 것입니다. 부모로서 당신은 먼저 이 장난감이 자동차라고 아이에게 말하고/제안하고 아이가 다른 사람들 중에서 이 특정 장난감을 찾도록 여러 번 시도하게 해야 합니다. 앞으로 그는 자동차를 독립적으로 식별할 수 있게 되며 절대 테디베어와 혼동하지 않을 것입니다.
SOM은 네트워크가 목표로 하는 것이 무엇인지 알고 있어야만 시작될 수 있으며, 그래야만 비전에 집중할 수 있습니다. 이것은 자동차 번호의 정의 또는 자동 번역기에 의해 원하는 단어/구에 대한 검색이 될 수 있습니다. 그러나 어떤 식으로든 먼저 네트워크에 숫자나 단어를 구별하도록 가르쳐야 하고 그 후에야 네트워크 가 자유롭게 떠 있게 됩니다.
과거 데이터 스트림에서 네트워크를 원하는/제공할 수 있는 것은 무엇입니까? 그리고 당신은 무엇을 기대합니까?
전체 보고서(헤더)를 볼 수 있습니까? 하단 부분이 잘렸습니다.
업데이트되었습니다.
나쁘지 않다. 전략은 무엇입니까? 거래가 막대 수(시간 기준)로 마감되었습니까? 아니면 다른 방법으로?
이해했다. 편향된 것은 확률 편차가 50%인 것을 의미합니까? 그리고 닫는 조건은 각 뉴런에 붙어 있습니까? 편도는 얼마입니까? 55%? 60%?
이해했다. 편향된 것은 확률 편차가 50%인 것을 의미합니까? 그리고 닫는 조건은 각 뉴런에 붙어 있습니까? 편도는 얼마입니까? 55%? 60%?
네. 약 1.5배, 즉 약 60\40 -- 다음은 코드입니다.
{ if (positive/(negative + 1.0 ) > 1.5 && count > 3 ) { OpenBuy(Magic, TP, SL, TradeLot); } if (negative/(positive + 1.0 ) > 1.5 && count > 3 ) { OpenSell(Magic, TP, SL, TradeLot); } }작은 버그를 찾았습니다... 곧 정상으로 돌아옵니다.
업데이트되었습니다.
낙관론이 있지만 많지는 않습니다.
다음 통계를 개선할 수 있습니다.
?
저것들. - 수익성 있는 거래와 관련하여 평균 손실 거래를 줄이거나 연속 손실 횟수를 줄입니다.
나는 이것이 OOS라는 것을 이해하지만 당신이 가르치는 것은 그렇게 행동할 것입니다.
감지된 오류를 수정하면 결과가 개선될 것이므로 흥미롭게 볼 수 있습니다.
국민 여러분, SOM에 대한 자격있는 상담이 필요합니다.
특히, 클러스터 전반에 걸쳐 패턴 수의 분포를 제어하는 방법에 관심이 있습니다.
안녕하세요!
일주일 동안 정상적인 인터넷 액세스가 없었습니다. 늦게 글을 씁니다.
여기에서 읽으십시오: http://www.eicstes.org/EICSTES_PDF/PAPERS/The%20Self-Organizing%20Map%20(Kohonen).pdf
SCP의 세포에 대한 입력 벡터의 최적 분포 문제는 첫째, SCP의 적절한 훈련에 달려 있습니다. Kohonen은 훈련 반복 횟수가 네트워크에 있는 뉴런 수의 500배 이상이어야 한다고 썼습니다! 즉, 100개의 뉴런(10 x 10) 크기의 네트워크를 훈련하는 경우 반복 횟수는 최소 50,000이어야 합니다.솔직히 입력 벡터가 다음과 같다면 일반 PC에서 이러한 네트워크를 훈련합니다. 매우 큰 차원(예: 40) - 며칠이 걸립니다. Kohonen이 제안한 휴리스틱은 최소한 10,000번의 훈련 반복이 있어야 한다는 것입니다. 또한 많은 IMHO가 있지만 옵션으로 입력 벡터의 크기를 줄이고 어떤 일이 일어나는지 볼 수 있습니다.
같은 기사에서 SPC의 훈련과 관련된 두 번째 요점은 입력 벡터의 크기가 훈련 반복 횟수에 영향을 미치지 않는다는 것입니다. 그것은 모두 PC의 성능에 달려 있습니다.
세 번째 요점, 기사에서 제안한 것처럼 뉴런의 학습 반경은 SCP에 대한 기본 "위상적 순서"를 설정하기 위해 초기에 매우 커야 합니다(SCP 직경의 절반 이상으로 만들 수 있음). 그런 다음 반지름은 0까지 반복 횟수에 반비례하여 감소하며, 이는 단 하나의 뉴런의 가중치 수정이 발생할 때입니다. 동시에 훈련 초기에 설정한 원래의 토폴로지 순서는 위반되지 않지만 맵의 로컬 영역에서 정제됩니다. 거기 봐...
훈련과 관련된 또 다른 요점은 훈련 단계로, 처음에는 커야 하고(약 1), 반복 횟수에 반비례하여 감소해야 하며 통과된 반복 횟수에 대한 훈련 단계 종속성의 함수는 다음 중 하나일 수 있습니다. 선형 또는 비선형. 훈련이 끝나면 SQL의 미세 조정을 위해 단계가 0.01 미만으로 오랫동안 매우 작게 유지됩니다.
이 기사에서는 훈련을 위한 데이터 전처리에 대해서도 설명하지만 음성 및 이미지 인식에 적용합니다. 우리의 경우 이것은 시계열 이므로 다른 곳을 파헤쳐야 합니다. SOM을 시계열에 적용하는 것에 대해 많은 논의가 있었던 것으로 알고 있습니다.
자동 거래에서도 SOM이 가능하다고 생각하는 이유는 무엇입니까?
비전을 무언가에 집중하려면 무엇을 알아야 합니다.
과거 데이터(즉, 네트워크가 학습하기를 원하는 데이터)에는 가격 변동에 대한 거의 무한한 수의 옵션이 있습니다. 네트워크 자체에서 수행해야 할 작업과 주의해야 할 사항을 어떻게 이해해야 합니까?
주변에 수많은 장난감이 있는 아이를 상상해 보십시오. 셀 수 없이 많은 장난감에도 불구하고(또는 바로 이런 이유로), 아이는 이 장난감이 자동차이고 이것이 테디베어라는 것을 스스로 결코 알지 못할 것입니다. 부모로서 당신은 먼저 이 장난감이 자동차라고 아이에게 말하고/제안하고 아이가 다른 사람들 중에서 이 특정 장난감을 찾도록 여러 번 시도하게 해야 합니다. 앞으로 그는 자동차를 독립적으로 식별할 수 있게 되며 절대 테디베어와 혼동하지 않을 것입니다.
SOM은 네트워크가 목표로 하는 것이 무엇인지 알고 있어야만 시작될 수 있으며, 그래야만 비전에 집중할 수 있습니다. 이것은 자동차 번호의 정의 또는 자동 번역기에 의해 원하는 단어/구에 대한 검색이 될 수 있습니다. 그러나 어떤 식으로든 먼저 네트워크에 숫자나 단어를 구별하도록 가르쳐야 하고 그 후에야 네트워크 가 자유롭게 떠 있게 됩니다.
과거 데이터 스트림에서 네트워크를 원하는/제공할 수 있는 것은 무엇입니까? 그리고 당신은 무엇을 기대합니까?