신경망 및 입력
네트워크 유형이 그렇게 중요하지 않다는 것은 정말 옳습니다. 가장 중요한 것은 입력과 출력입니다. 네트워크에 대한 고품질 입력을 찾는 것으로 충분하며 놀라운 일이 될 것입니다. 하지만 어떻게 찾을 수 있나요???? 단순 정규화는 도움이되지 않습니다 ...
귀하의 질문은 힌트입니까 아니면 공개 문제입니까? :)
1. 첫 번째 위치를 차지하는 경우 가장 중요한 것은 올바른 지표 세트를 찾는 것입니다.
2. 두 번째 입장을 취하면 두 가지 주요 구성 요소가 있습니다. 1. 데이터 정규화 . 2. 필터를 사용하여 이력 데이터 제공 (우리는 불필요한 정보를 제거합니다. 중요한 점과 내가 이해하는 한 여기에서 실수가 종종 발생합니다).
두 번째에 관해서는 추가하겠습니다. 일반적으로 필터링된 틱을 입력(일반적인 renko)에 적용하고 싶었습니다. 나는 시간 간격 차트에 대해 회의적입니다. 그러나 가격을 필터링 영역으로 나눕니다(예: 5). 실제 가격에 가까울수록 Renko 기간이 짧을수록 더 높아집니다. 저것들. 데이터가 현재에서 멀어질수록 현재 상태에 영향을 덜 미치므로 필터링을 높입니다.
하지만 틱을 거부했고, 실제 가격 데이터를 수신하는 시스템을 만들고 틱의 이력과 연결하기가 어렵습니다. 기본 철학은 변경되지 않았지만 시간 간격으로 장난을 치기로 결정했습니다.
화제를 일으키지 않도록 내가 개입하자. 누가 입력 신호를 정규화합니까? 그리고 어떤 출력 신호가 작동하기 더 편리합니까? 나는 원시적인 persaptrons에 탐닉하고, 네트워크를 구축하고, 모든 레이어에서 신호를 정규화했지만 출력에는 걸림돌이 있고 작은 것들에 대해 많은 모호함이 있습니다.
당신이 묻는 이상한 질문) 일반적으로 우리의 응용 분야에서 신경망이 해결하는 두 가지 주요 작업이 있습니다. 분류와 회귀입니다. 이를 기반으로 네트워크가 구축되고 해당 유형과 아키텍처가 선택되고 그에 따라 출력이 해석됩니다. 출력이 임의의 클래스에 대한 입력 세트의 소속인지 또는 내일 가격의 값(조건부)인지 여부. 당신의 네트워크는 무엇을 하고 있습니까? 그녀에게 무엇을 가르치고 있습니까?
입력을 정규화하면 입력과 특성에 따라 뉘앙스가 있을 수 있지만 모든 것이 간단합니다(예: NS의 입력은 합성 입력일 수 있음). "동종" 입력 세트의 경우 가장 간단하고 일반적으로 충분한 옵션은 주어진 범위 [a;b] 에 대한 선형 변환입니다. 또한 입력 집합의 특성에 따라 구별성을 향상시키기 위해 추가 변형이 가능합니다. 예를 들어...
기사를 읽고 제때에 무언가를 수집했습니다(모든 것은 신경학교 에서 사용할 수 있으며 여기에 게시하는 것은 의미가 없습니다).
신경망 예측 문제의 초기 데이터 표현 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
구별성을 향상시키기 위해 신경망의 입력 데이터를 변환합니다. Krisilov V.A., Kondratyuk A.V.
훈련 세트의 적응적 단순화로 인한 신경망 훈련 가속화. Krisilov V.A., Chumichkin K.V.
시계열 예측 문제에서 신경망에 대한 훈련 샘플의 품질에 대한 예비 평가. Tarasenko R.A., Krisilov V.A.
시계열 예측 문제에서 신경망에 대한 훈련 샘플 형성 상황 설명 크기 선택. Tarasenko R.A., Krisilov V.A.
시계열의 동작 예측 문제에서 신경망 학습의 품질과 속도 향상. Oleshko D.N., Krisilov V.A.
당신이 묻는 이상한 질문) 일반적으로 우리의 응용 분야에서 신경망이 해결하는 두 가지 주요 작업이 있습니다. 분류와 회귀입니다. 이를 기반으로 네트워크가 구축되고 해당 유형과 아키텍처가 선택되고 그에 따라 출력이 해석됩니다. 출력이 임의의 클래스에 대한 입력 세트의 속할 것인지 또는 내일 가격의 값(조건부)인지 여부. 당신의 네트워크는 무엇을 하고 있습니까? 그녀에게 무엇을 가르치고 있습니까?
입력을 정규화하면 입력과 특성에 따라 뉘앙스가 있을 수 있지만 모든 것이 간단합니다(예: NS의 입력은 합성 입력일 수 있음). "동종" 입력 세트의 경우 가장 간단하고 일반적으로 충분한 옵션은 주어진 범위 [a;b] 에 대한 선형 변환입니다. 또한 입력 집합의 특성에 따라 구별성을 향상시키기 위해 추가 변형이 가능합니다. 예를 들어...
기사를 읽고 적절한 시기에 그들로부터 무언가를 수집했습니다(모든 것이 신경 학교 에서 사용할 수 있으며 여기에 게시하는 것은 의미가 없습니다).
신경망 예측 문제의 초기 데이터 표현 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
구별성을 향상시키기 위해 신경망의 입력 데이터를 변환합니다. Krisilov V.A., Kondratyuk A.V.
훈련 세트의 적응적 단순화로 인한 신경망 훈련 가속화. Krisilov V.A., Chumichkin K.V.
시계열 예측 문제에서 신경망에 대한 훈련 샘플의 품질에 대한 예비 평가. Tarasenko R.A., Krisilov V.A.
시계열 예측 문제에서 신경망에 대한 훈련 샘플 형성 상황 설명 크기 선택. Tarasenko R.A., Krisilov V.A.
시계열의 동작 예측 문제에서 학습 신경망의 품질과 속도 향상. Oleshko D.N., Krisilov V.A.
네트워크는 오히려 출력이 [-1; 1] 범위의 두 값이라고 예측합니다. 먼저 네트워크 입력에 8개의 값을 입력한 다음 0을 이동하지 않으면서 [-1; 1] 범위로 정규화합니다. 그리고 가중치와 레이어에 대해서도 같은 방식으로 정규화합니다. 출력에서 가장 가까운 두 프랙탈의 예측과 0 bar에 대한 상호 위치. 정량적 연결이 없습니다. 즉, 출력이 -1 및 0.5이면 가장 가까운 프랙탈은 Open[0]보다 높은 다음 것보다 Open[0]보다 2배 낮습니다. 그리고 유추하여 값이 0.3과 1이면 두 도형 모두 Open[0] 위에 있습니다. 컬렉션 주셔서 감사합니다. 그리고 당신의 의견으로는 질문이 이상합니다. 머리(마음)에는 모든 것이 명확하고 이해할 수 있습니다. 그리고 계획과 교수법과 훈련과 해석. 그리고 그것이 차에 대한 설명에 오는 방법 - 혼미.
네트워크의 입력 및 출력에 적용된 신호가 네트워크에 유용한 정보를 전달하지 않으면 정규화하는 것은 쓸모가 없습니다.
그리고 이러한 신호가 유용한 정보를 전달한다면 원칙적으로 무엇을 어떻게 정규화하는지가 근본적으로 중요하지 않습니다. 여기서 가장 중요한 것은 이 포함된 정보를 흐리게 하지 않는 것입니다)))
네트워크의 입력과 출력에 적용되는 신호가 네트워크에 유용한 정보를 전달하지 않으면 목적 없이 정규화하십시오)))
당신이 생각하기에 입력에 주어진 신호는 유용한 정보를 전달합니까? :) 솔직히 말해서, 세계 사람들의 파이에 대한 조리법이 있더라도 히든 레이어에서 어떤 일이 발생하는지 상관하지 않습니다. 문제는 출력에 유용한 정보가 있다는 것입니다. 입력에 정보 내용을 제공하겠습니다.
안녕하세요. 나는 ns라는 주제에 관심을 갖게 되었고 두 권의 책을 읽었습니다. 일반적 으로 무엇이 분명했습니다. 입력을 정규화합니다. ns 유형을 선택하면 현명해지는 것은 의미가 없습니다. 대부분의 작업은 SME(well 또는 rbf)에서 처리합니다. 하지만 입력은 어떻습니까? 여기에서 대다수는 입력에 대한 지표가 필요하다고 주장하는(그리고 이것을 강조하는) 두 진영으로 나뉩니다. 그리고 이것이 전혀 필요하지 않다는 사실을 고수하는 사람들: 대부분의 지표는 재현할 수 없습니다. 필요한 경우 ns 자체가 필요한 " 표시기"를 생성합니다.
아마도 유용한 지표를 선택하면 검색 영역을 줄일 수 있지만 (보다 정확하게는 검색 방향을 지정합니다) 여전히 이상적으로는 ns 데이터 분석 방법을 스스로 선택 해야 합니다. 내 아마추어적 발언이 맞습니까? 아마도 이것을 위해 ns에서 특별한 조건을 생성할 필요가 있습니까?