1) 네트워크에 태양의 매일의 날씨 변화와 같은 헛소리에서 완전히 왼쪽 입력을 제공하고 이 입력으로 예를 들어 한 달 동안 거래하도록 가르쳤습니다. 여기에서 가장 순수한 형태의 네트워크 네트워크는 암기/운전 능력을 입증해야 합니다. 그런 다음 정상적인 입력을 제공했습니다. 학습 결과의 차이를 어떻게든 분석해 보았습니다.
2) 훈련 표본의 크기 증가에 따른 훈련 결과 분석을 시도하였다. 거의 모든 네트워크와 구성은 특정 지점까지 결과가 증가하다가 정체가 발생하고 입력 예제의 수가 추가로 증가하면 결과가 악화될 수 있습니다.
여기에서 이러한 연구 결과를 가지고 네트워크의 충분성, 필요한 교육 기간에 대한 결론을 도출하려고 합니다. 그들 사이에 어떤 연관성이 있습니까? 그런 다음이 스레드에 들어갔습니다. 아마도 누군가가 당신에게 말할 것입니다.
아, 쉽습니다. 배우기 시작하면 의미가 충분합니다.
이제 새로운 네트워크를 시연하겠습니다. 모든 테스트와 함께.
아, 쉽습니다. 배우기 시작하면 의미가 충분합니다.
Reshetov의 퍼셉트론도 무언가를 배우지만 분명히 충분하지 않습니다 ....
제 생각에는 충분함을 이야기하기 위해서는 학습 기간(입력 예시의 수)에 따라 OB에서 어떻게든 학습 결과를 분석하는 방법을 배워야 하며 OOS만이 여기서 조수가 아닙니다. 오래전부터 이 곳을 표시해 놓았는데, 가까운 곳에서 진실이 느껴지지만 잡히지 않는다.
오래전부터 이 곳을 표시해 놓았는데, 가까운 곳에서 진실이 느껴지지만 잡히지 않는다.
Reshetov의 퍼셉트론도 무언가를 배우지만 분명히 충분하지 않습니다 ....
제 생각에는 충분함을 이야기하기 위해서는 학습 기간(입력 예시의 수)에 따라 OB에서 어떻게든 학습 결과를 분석하는 방법을 배워야 하며 OOS만이 여기서 조수가 아닙니다. 오래전부터 이 곳을 표시해 놓았는데, 가까운 곳에서 진실이 느껴지지만 잡히지 않는다.
왠지 느꼈습니다. 대규모 샘플에 대한 최적화. 순이익보다 드로다운을 낮추고 싶습니다. 그런 다음 샘플을 줄이고 마지막 개선 뉴런을 추가합니다. 내가 틀릴 수 있습니다. 이제 예제를 게시하겠습니다.
내 연구에서 몇 가지 접근 방식을 사용했습니다.
1) 네트워크에 태양의 매일의 날씨 변화와 같은 헛소리에서 완전히 왼쪽 입력을 제공하고 이 입력으로 예를 들어 한 달 동안 거래하도록 가르쳤습니다. 여기에서 가장 순수한 형태의 네트워크 네트워크는 암기/운전 능력을 입증해야 합니다. 그런 다음 정상적인 입력을 제공했습니다. 학습 결과의 차이를 어떻게든 분석해 보았습니다.
2) 훈련 표본의 크기 증가에 따른 훈련 결과 분석을 시도하였다. 거의 모든 네트워크와 구성은 특정 지점까지 결과가 증가하다가 정체가 발생하고 입력 예제의 수가 추가로 증가하면 결과가 악화될 수 있습니다.
여기에서 이러한 연구 결과를 가지고 네트워크의 충분성, 필요한 교육 기간에 대한 결론을 도출하려고 합니다. 그들 사이에 어떤 연관성이 있습니까? 그런 다음이 스레드에 들어갔습니다. 아마도 누군가가 당신에게 말할 것입니다.
총 평균 제곱 오차도 있습니다. 다른 네트워크에 대해 비교할 수 있습니다. 그리고 그것에 대해 그녀가 뭔가를 배우고 있는지 여부를 확인합니다.
무슨 오류?
무슨 오류?
물론 나가세요.
그리고 출력이 예측이 아닌 경우에는 어떻게 됩니까?
왠지 느꼈습니다. 대규모 샘플에 대한 최적화. 순이익보다 드로다운을 낮추고 싶습니다. 그런 다음 샘플을 줄이고 마지막 개선 뉴런을 추가합니다. 내가 틀릴 수 있습니다. 이제 예제를 게시하겠습니다.