일반적으로 이 포럼에서 네트워크 작업을 연습한 많은 사람들은 신경망 이 계산기와 비슷하다고 생각합니다. 데이터를 입력하면 네트워크에서 결과가 생성됩니다. 그리드는 계산기입니다.
그러나 네트워크의 구조와 아키텍처에 대한 철저한 지식은 그 속성에 대한 아이디어를 제공하지 않으며 제공할 수도 없습니다. 이것은 ANN의 작동 방식에 대한 "좁은" 이해입니다.
따라서 훌륭한 신경외과 의사는 인간의 두뇌가 무엇을 할 수 있는지 알 수 없습니다. 심리학자와 심리 치료사(정신과 의사와 혼동하지 말 것)만이 이에 대해 철학자, 그리고 아마도 사회학자와 함께 알 수 있습니다. 이것은 네트워크의 "생리학"이 아니라 지능에 대한 질문이며 이것은 ANN(및 인간 두뇌)에 대한 완전히 다른 수준의 이해입니다.
이러한 접근 방식을 통해서만 ANN에서 무언가를 달성할 수 있습니다. 어리석게 네트워크에 견적을 제공하는 것은 이전에 한 번도 가치 있는 일을 한 적이 없으며 앞으로도 아무 것도 주지 않을 것입니다. 그러나 이 기사의 저자는 내 첫 번째 "대각선" 보기에서(그리고 나는 아직 두 번째 철저한 검토를 할 시간이 없습니다) 인텔리전스의 관점에서 직각에서 ANN을 사용한 예측을 봅니다. 지표의 사용, 따옴표의 일부 "파생".
그러나 순전히 직관적으로 98% 수준의 예측 가능성은 의심스럽습니다. 80% - 아마도 예, 하지만 98%는 아닙니다. 아마도 저자는 연구 결과를 "귀로" 조금 끌어냈을 것입니다. 저는 이것을 완전히 인정합니다. 그러나 이러한 결과를 확인하려면 저자와 동일한 실험을 수행해야 합니다. 그래야만 무언가가 "전체"라고 주장할 수 있습니다.
이유 없이 의견을 가질 수 있다는 사실에 저도 놀랐습니다. 이미 여기 어딘가에서 "오버트레이닝", "오버트레이닝"이라는 용어에 대한 제 의견을 밝혔습니다. 이 용어는 현상의 본질을 전혀 반영하지 않으며 아마도 번역이 잘못되었을 수 있습니다. 어떤 영어 단어가 이렇게 번역됩니까? 오히려 "암기된"("공부로"에서) 또는 "배운"이라는 용어가 더 적합합니다. 이 현상은 아무 것도 이해하지 못하지만 단어 하나하나는 암기한 빈 머리를 가진 Zubrilkin 또는 Zauchkin의 현상과 유사합니다. 이 현상은 적은 수의 샘플로 대규모 네트워크를 훈련할 때 발생합니다. 네트워크는 훈련 샘플에 올바르게 응답하지만 훨씬 더 많은 수의 샘플을 학습할 수 있는 기회를 수용할 수 있기 때문에 이점이 없습니다. 그것은 단지 빈 머리입니다. 그녀가 제공하는 결과는 어제가 아니라 끔찍합니다. 그래서, 나는 당신이 그런 어제, 일종의 기적, 마법 재교육을 위해 무엇을 가지고 있는지 이해하지 못합니다. 그것은 프로그래머의 양식과 같습니다. 약간만 - 어떤 이유에서든 메모리 누수에 대해 문지릅니다. 따라서 네트워크에 대해 이야기할 때 - 오버트레이닝, 오버트레이닝, 그리고 그것이 무엇인지 이해하는 사람은 거의 없습니다.
원칙적으로 이름을 지정합니다. 일부 교과서에서 네트워크가 "어제처럼"신호를 보내는 현상을 만났을뿐입니다. 이것이 지속적으로 동일한 신호를 제공한다는 의미는 아닙니다. 아니요, 그러나 신호의 본질과 의미는 변하지 않습니다. 그들은 미래에 작동하지 않습니다. 일반적으로 네트워크 훈련 매개변수를 찾는 것은 오랜 통계 연구를 통해 해결할 수 있는 가장 어려운 작업입니다.
네트워크에서 매개변수 설정을 위해 100개의 옵션을 발행했다고 가정합니다. 그리고 그 중 몇 개만 정확합니다. 나머지는 미래에 병합됩니다. 예, 컴퓨터에서 최소한 네트워크를 사용하십시오. 수의사 그녀는 어떤 분야에서든 과도하게 훈련되어 있습니다. 나 자신도 이 이론을 실제로 해보고 싶었지만, 보기에 머드바가 아니다. 그래서 누군가는 그것을 필요로 할 수 있습니다.
우리는 2개의 훈련 영역이 있습니다
1. 두 번째 섹션에서 네트워크를 훈련합니다. 우리는 이익을 얻습니다(교육의 모든 부분에 있는 기계의 네트워크는 이익을 얻습니다).
2. 섹션 1에서 네트워크가 거래되는 방식을 살펴봅니다.
3. 섹션 1에서 네트워크를 훈련하여 섹션 2에서 훈련할 때와 동일한 결과를 얻습니다.
즉, 훈련의 목표 기능은 더 이상 최대 균형이 아니라 완전히 다른 것입니다. 따라서 통계의 도움으로 바로 이것이 윙윙거리는 것을 계산해야 하는 것과 같습니다.
방금 NS에서 네트를 몰았는데 그곳에서 훈련 목표를 선택하면서 어쩐지 부족해졌습니다.
결과적으로 통계를 수집하면 최대 바를 훈련하는 목표가 항상 좋은 것은 아니라는 결론에 도달할 수 있습니다. 그러나 여기서 약간 다른 질문이 발생합니다. NN이 미래에 잘 작동하도록 바로 목표를 찾는 방법입니다. 여기에는 하나의 옵션만 있습니다.
우리는 네트워크를 시작하고 거래를 모니터링하여 네트워크가 현재 작동하는지 여부를 결정합니다.
결과적으로 교육 중 수익성있는 네트워크 설정은 다음과 같습니다. 즉, 그러한 균형을 위해 네트워크를 훈련하면 미래에 얻을 것입니다. 그러나 여기에 아킬레스건이 있습니다. 균형이 무엇인지 알아내는 방법 .... 그리고 NS에서 TS를 훈련하는 것은 불가능합니다. 목표 운동 기능이 까다롭습니다. 다른 프로그램에서만 시도한다면 ....
또는 이와 같이 두 경우 모두 최적화된 섹션의 균형 곡선이 매우 다르며 검정색이 아닌 경우에는 더욱 그렇습니다. 그러나 이것은 앞으로의 네트워크를 멈추지 않았습니다. 결론 플러스....
즉, 네트워크 섹션에 대한 통계를 수집하면 특정 패턴을 도출하는 데 필요한 균형의 일반적인 유사성을 도출하는 것이 가능할 것 같습니다. 따라서 교육 네트워크는 이 영역에서 최대 이익을 위한 것이 아닙니다. 그러나 미래에 작동할 숨겨진 신호를 찾는 것입니다. 하지만 지금은 아닙니다. 무슨 재미가 있단 말인가. 지금은 작동하지 않는 매개변수를 네트워크에 강제로 찾아내지만 앞으로는 네트워크에 유익한 영향을 미칠 수 있습니다..... 수집해야 할 통계는 많고 하찮은 일이 아닙니다.....
어쨌든 이 문제( 최적화 결과 선택)를 60% 이상 해결하면 거래 도구를 얻을 수 있으며 전혀 나쁘지 않습니다.
다른 패키지에서는 어떨지 모르겠지만 NS에서 최적화하면 최적화 부분에서 마이너스 밸런스부터 시작해서 여러 결과가 나온다. Hsh에서 모든 최적화 결과를 얻을 수만 있다면. 그런 다음 균형에 따라 순전히 시각적으로 선택하십시오. 행운을 위해 쓸모없는 결과를 제거하는 것이 가능할 것입니다. 네트워크를 작동시키고 어느 것이 쏟아지기 시작하는지 추적하십시오. 병합하기 시작하는 것이 꺼지고 ... 글쎄, 또는 다른 것이 .... NS에서는 그냥 꽝입니다. 그런 가능성은 없습니다. 최적화하는 동안 최소한 지표 매개변수를 파일에 저장하십시오....
다시 말하지만, 1구간에서 최적화를 하면 2구간을 최적화할 때 얻은 값을 얻을 수 있다는 것은 사실이 아닙니다. 그래서 답이 없는 질문이 많다...
그러나 이 기사의 저자는 내 첫 번째 "대각선" 보기에서(그리고 두 번째 철저한 검토를 할 시간이 아직 없음) 인텔리전스의 관점에서 직각에서 ANN을 사용한 예측을 살펴봅니다 . 지표의 사용 , 따옴표의 일부 "파생".
그러나 순전히 직관적으로 98% 수준의 예측 가능성은 의심스럽습니다. 80% - 아마도 예, 하지만 98%는 아닙니다. 아마도 저자는 연구 결과를 "귀로" 조금 끌어냈을 것입니다. 저는 이것을 완전히 인정합니다. 그러나 이러한 결과를 확인하려면 저자와 동일한 실험을 수행해야 합니다. 그래야만 무언가가 "전체"라고 주장할 수 있습니다.
이것은 환상입니다 ... Integer는 예측을 위해 왼쪽 섹션이 선택되었다고 즉시 올바르게 말했습니다 ...
실제로 모든 것은 원시적 인 예에서 확인됩니다 ... 우리는 어떤 식 으로든 훈련합니다 - 심지어 두 번째 기사, 심지어 세 번째 기사에서도))))
샘플을 첫 번째 노란색 수직선까지 가져오면 90-95% 동일하게 됩니다. 다음으로 이동합니다. 훈련하고... 덜 얻습니다... 마지막 섹션(성장) 네트워크는 결코 예측할 수 없습니다 ...
물론 1 BP 당 여러 단계에 대한 예측에 대한이 모든 것 (입구) ... 불황의 정점 (주기성)을 강조 표시하면 원칙적으로 성장을 잡을 수도 있습니다 ...
일종의 순환성(역학)이 있다는 것뿐입니다. 따라서 이 역학이 모델(ns, 회귀 또는 기타 ... 대체로 중요하지 않음)에 빠지고 잠시 동안 계속되면 .. .. 그 다음 초콜릿에 .. 변하면 배수... 역학을 바꾸는 이유 2... 시장 및 DC 필터...
그래 나도 너와 같은 생각이야.
이것은 작업 결과에 대한 두 번째 설명입니다. 테스트를 위해 의도적으로 기간을 선택했으며 네트워크에서 로컬에서 놀라운 결과를 성공적으로 보여주었습니다. 그건 그렇고, 테스트 기간의 길이가 200이나 451이 아닌 150 포인트라는 것이 이상합니다. 그것은 잠재 적합으로 밝혀졌습니다.
사실 오버트레이닝이다. 당신이 이것을 모른다는 것에 놀랐습니다. 일반적으로 네트워크가 어제와 동일하게 작동하기 시작할 때 과도하게 훈련된 것입니다. 즉, 입력 데이터의 키 포인트를 강조하지 않고 어제와 같은 신호를 생성하기 시작합니다.....
말도 안되는 소리, 아니면 그런 말도 안되는 소리를 또 어떻게 부를까요?
네트워크가 2*2=4라고 배웠다면 "2*2=?"라는 질문을 받으면 무엇이라고 대답해야 합니까?
2*2=4는 어제였고 내일도 됩니다. 네트워크가 동일한 질문에 대해 다른 답변을 제공하기 시작하면 적어도 이상할 것입니다.
일반적으로 이 포럼에서 네트워크 작업을 연습한 많은 사람들은 신경망 이 계산기와 비슷하다고 생각합니다. 데이터를 입력하면 네트워크에서 결과가 생성됩니다. 그리드는 계산기입니다.
그러나 네트워크의 구조와 아키텍처에 대한 철저한 지식은 그 속성에 대한 아이디어를 제공하지 않으며 제공할 수도 없습니다. 이것은 ANN의 작동 방식에 대한 "좁은" 이해입니다.
따라서 훌륭한 신경외과 의사는 인간의 두뇌가 무엇을 할 수 있는지 알 수 없습니다. 심리학자와 심리 치료사(정신과 의사와 혼동하지 말 것)만이 이에 대해 철학자, 그리고 아마도 사회학자와 함께 알 수 있습니다. 이것은 네트워크의 "생리학"이 아니라 지능에 대한 질문이며 이것은 ANN(및 인간 두뇌)에 대한 완전히 다른 수준의 이해입니다.
이러한 접근 방식을 통해서만 ANN에서 무언가를 달성할 수 있습니다. 어리석게 네트워크에 견적을 제공하는 것은 이전에 한 번도 가치 있는 일을 한 적이 없으며 앞으로도 아무 것도 주지 않을 것입니다. 그러나 이 기사의 저자는 내 첫 번째 "대각선" 보기에서(그리고 나는 아직 두 번째 철저한 검토를 할 시간이 없습니다) 인텔리전스의 관점에서 직각에서 ANN을 사용한 예측을 봅니다. 지표의 사용, 따옴표의 일부 "파생".
그러나 순전히 직관적으로 98% 수준의 예측 가능성은 의심스럽습니다. 80% - 아마도 예, 하지만 98%는 아닙니다. 아마도 저자는 연구 결과를 "귀로" 조금 끌어냈을 것입니다. 저는 이것을 완전히 인정합니다. 그러나 이러한 결과를 확인하려면 저자와 동일한 실험을 수행해야 합니다. 그래야만 무언가가 "전체"라고 주장할 수 있습니다.
정수 :
이유 없이 의견을 가질 수 있다는 사실에 저도 놀랐습니다.
이미 여기 어딘가에서 "오버트레이닝", "오버트레이닝"이라는 용어에 대한 제 의견을 밝혔습니다. 이 용어는 현상의 본질을 전혀 반영하지 않으며 아마도 번역이 잘못되었을 수 있습니다. 어떤 영어 단어가 이렇게 번역됩니까? 오히려 "암기된"("공부로"에서) 또는 "배운"이라는 용어가 더 적합합니다. 이 현상은 아무 것도 이해하지 못하지만 단어 하나하나는 암기한 빈 머리를 가진 Zubrilkin 또는 Zauchkin의 현상과 유사합니다. 이 현상은 적은 수의 샘플로 대규모 네트워크를 훈련할 때 발생합니다. 네트워크는 훈련 샘플에 올바르게 응답하지만 훨씬 더 많은 수의 샘플을 학습할 수 있는 기회를 수용할 수 있기 때문에 이점이 없습니다. 그것은 단지 빈 머리입니다. 그녀가 제공하는 결과는 어제가 아니라 끔찍합니다. 그래서, 나는 당신이 그런 어제, 일종의 기적, 마법 재교육을 위해 무엇을 가지고 있는지 이해하지 못합니다.
그것은 프로그래머의 양식과 같습니다. 약간만 - 어떤 이유에서든 메모리 누수에 대해 문지릅니다. 따라서 네트워크에 대해 이야기할 때 - 오버트레이닝, 오버트레이닝, 그리고 그것이 무엇인지 이해하는 사람은 거의 없습니다.
원칙적으로 이름을 지정합니다. 일부 교과서에서 네트워크가 "어제처럼"신호를 보내는 현상을 만났을뿐입니다. 이것이 지속적으로 동일한 신호를 제공한다는 의미는 아닙니다. 아니요, 그러나 신호의 본질과 의미는 변하지 않습니다. 그들은 미래에 작동하지 않습니다. 일반적으로 네트워크 훈련 매개변수를 찾는 것은 오랜 통계 연구를 통해 해결할 수 있는 가장 어려운 작업입니다.
네트워크에서 매개변수 설정을 위해 100개의 옵션을 발행했다고 가정합니다. 그리고 그 중 몇 개만 정확합니다. 나머지는 미래에 병합됩니다. 예, 컴퓨터에서 최소한 네트워크를 사용하십시오. 수의사 그녀는 어떤 분야에서든 과도하게 훈련되어 있습니다. 나 자신도 이 이론을 실제로 해보고 싶었지만, 보기에 머드바가 아니다. 그래서 누군가는 그것을 필요로 할 수 있습니다.
우리는 2개의 훈련 영역이 있습니다
1. 두 번째 섹션에서 네트워크를 훈련합니다. 우리는 이익을 얻습니다(교육의 모든 부분에 있는 기계의 네트워크는 이익을 얻습니다).
2. 섹션 1에서 네트워크가 거래되는 방식을 살펴봅니다.
3. 섹션 1에서 네트워크를 훈련하여 섹션 2에서 훈련할 때와 동일한 결과를 얻습니다.
즉, 훈련의 목표 기능은 더 이상 최대 균형이 아니라 완전히 다른 것입니다. 따라서 통계의 도움으로 바로 이것이 윙윙거리는 것을 계산해야 하는 것과 같습니다.
방금 NS에서 네트를 몰았는데 그곳에서 훈련 목표를 선택하면서 어쩐지 부족해졌습니다.
결과적으로 통계를 수집하면 최대 바를 훈련하는 목표가 항상 좋은 것은 아니라는 결론에 도달할 수 있습니다. 그러나 여기서 약간 다른 질문이 발생합니다. NN이 미래에 잘 작동하도록 바로 목표를 찾는 방법입니다. 여기에는 하나의 옵션만 있습니다.
우리는 네트워크를 시작하고 거래를 모니터링하여 네트워크가 현재 작동하는지 여부를 결정합니다.
결과적으로 교육 중 수익성있는 네트워크 설정은 다음과 같습니다. 즉, 그러한 균형을 위해 네트워크를 훈련하면 미래에 얻을 것입니다. 그러나 여기에 아킬레스건이 있습니다. 균형이 무엇인지 알아내는 방법 .... 그리고 NS에서 TS를 훈련하는 것은 불가능합니다. 목표 운동 기능이 까다롭습니다. 다른 프로그램에서만 시도한다면 ....
또는 이와 같이 두 경우 모두 최적화된 섹션의 균형 곡선이 매우 다르며 검정색이 아닌 경우에는 더욱 그렇습니다. 그러나 이것은 앞으로의 네트워크를 멈추지 않았습니다. 결론 플러스....
즉, 네트워크 섹션에 대한 통계를 수집하면 특정 패턴을 도출하는 데 필요한 균형의 일반적인 유사성을 도출하는 것이 가능할 것 같습니다. 따라서 교육 네트워크는 이 영역에서 최대 이익을 위한 것이 아닙니다. 그러나 미래에 작동할 숨겨진 신호를 찾는 것입니다. 하지만 지금은 아닙니다. 무슨 재미가 있단 말인가. 지금은 작동하지 않는 매개변수를 네트워크에 강제로 찾아내지만 앞으로는 네트워크에 유익한 영향을 미칠 수 있습니다..... 수집해야 할 통계는 많고 하찮은 일이 아닙니다.....
어쨌든 이 문제( 최적화 결과 선택)를 60% 이상 해결하면 거래 도구를 얻을 수 있으며 전혀 나쁘지 않습니다.
다른 패키지에서는 어떨지 모르겠지만 NS에서 최적화하면 최적화 부분에서 마이너스 밸런스부터 시작해서 여러 결과가 나온다. Hsh에서 모든 최적화 결과를 얻을 수만 있다면. 그런 다음 균형에 따라 순전히 시각적으로 선택하십시오. 행운을 위해 쓸모없는 결과를 제거하는 것이 가능할 것입니다. 네트워크를 작동시키고 어느 것이 쏟아지기 시작하는지 추적하십시오. 병합하기 시작하는 것이 꺼지고 ... 글쎄, 또는 다른 것이 .... NS에서는 그냥 꽝입니다. 그런 가능성은 없습니다. 최적화하는 동안 최소한 지표 매개변수를 파일에 저장하십시오....
다시 말하지만, 1구간에서 최적화를 하면 2구간을 최적화할 때 얻은 값을 얻을 수 있다는 것은 사실이 아닙니다. 그래서 답이 없는 질문이 많다...
무슨 재미가 있단 말인가. 지금은 작동하지 않는 매개변수를 네트워크에 강제로 찾아내지만 앞으로는 네트워크에 유익한 영향을 미칠 수 있습니다 .....
그래서 그녀는 훈련 후에 그들이 작동하지 않는다는 것을 기억할 것입니다 ... 네트워크가 아닌 ts의 nsh에서 ...
그래서 그녀는 훈련 후에 그들이 작동하지 않는다는 것을 기억할 것입니다 ... 네트워크가 아닌 ts의 nsh에서 ...
동의합니다 .... 많은 자유가있는 것 같지만 필요한 것을 비틀 수는 없습니다 ....
그러나 이 기사의 저자는 내 첫 번째 "대각선" 보기에서(그리고 두 번째 철저한 검토를 할 시간이 아직 없음) 인텔리전스의 관점에서 직각에서 ANN을 사용한 예측을 살펴봅니다 . 지표의 사용 , 따옴표의 일부 "파생".
그러나 순전히 직관적으로 98% 수준의 예측 가능성은 의심스럽습니다. 80% - 아마도 예, 하지만 98%는 아닙니다. 아마도 저자는 연구 결과를 "귀로" 조금 끌어냈을 것입니다. 저는 이것을 완전히 인정합니다. 그러나 이러한 결과를 확인하려면 저자와 동일한 실험을 수행해야 합니다. 그래야만 무언가가 "전체"라고 주장할 수 있습니다.
이것은 환상입니다 ... Integer는 예측을 위해 왼쪽 섹션이 선택되었다고 즉시 올바르게 말했습니다 ...
실제로 모든 것은 원시적 인 예에서 확인됩니다 ... 우리는 어떤 식 으로든 훈련합니다 - 심지어 두 번째 기사, 심지어 세 번째 기사에서도))))
샘플을 첫 번째 노란색 수직선까지 가져오면 90-95% 동일하게 됩니다. 다음으로 이동합니다. 훈련하고... 덜 얻습니다... 마지막 섹션(성장) 네트워크는 결코 예측할 수 없습니다 ...
물론 1 BP 당 여러 단계에 대한 예측에 대한이 모든 것 (입구) ... 불황의 정점 (주기성)을 강조 표시하면 원칙적으로 성장을 잡을 수도 있습니다 ...
동의합니다 .... 많은 자유가있는 것 같지만 필요한 것을 비틀 수는 없습니다 ....
블랙박스 이 nsh...
일종의 순환성(역학)이 있다는 것뿐입니다. 따라서 이 역학이 모델(ns, 회귀 또는 기타 ... 대체로 중요하지 않음)에 빠지고 잠시 동안 계속되면 .. .. 그 다음 초콜릿에 .. 변하면 배수... 역학을 바꾸는 이유 2... 시장 및 DC 필터...
그래 나도 너와 같은 생각이야.
이것은 작업 결과에 대한 두 번째 설명입니다. 테스트를 위해 의도적으로 기간을 선택했으며 네트워크에서 로컬에서 놀라운 결과를 성공적으로 보여주었습니다. 그건 그렇고, 테스트 기간의 길이가 200이나 451이 아닌 150 포인트라는 것이 이상합니다. 그것은 잠재 적합으로 밝혀졌습니다.