LeoV : 그런 다음 교과 과정은 "신경망을 사용하여 과정을 예측하는 것은 불가능합니다.")))) 한 문장으로 구성되어야 합니다. 그것이 전체 과정입니다)))
불가능한 것은 무엇입니까? 가능합니다 :) 우리는 생계를 위해 사용하는 우리가 가장 좋아하는 전문가 고문을 고용합니다(모든 사람이 그러한 "일꾼"을 가지고 있다고 가정합니다). 우리는 선형 회귀 또는 이와 유사한 것이 있는 스레드를 찾습니다. 우리는 라인을 교체합니다. 뉴런으로의 회귀... 짜잔 :)
이것은 일반적으로 신경망과 시장 예측에 환멸을 느낀다는 의미입니까? 이 방향을 몇 년 동안 연구했는지 알면 그런 말을 듣는 것이 오히려 이상합니다.
이는 다층 신경망이 외삽(예측)에 적합하지 않음을 의미합니다. 보간 제한 내에서만 훌륭한 작업을 수행합니다.
즉, 방법은 다음과 같습니다.
메쉬 훈련
훈련 후 정규화 전에 입력 값을 확인합니다. 입력의 정규화되지 않은 값이 훈련 샘플의 범위를 벗어나면 외삽을 처리하고 여기에서 그리드가 끊어집니다. 그러한 입력 신호를 기다리는 것이 좋습니다. 범위 내에 있으면 보간이 수행되고 메쉬가 적절한 결과를 제공할 가능성이 높아집니다.
누구든지 믿지 않는 사람은 간단한 작업, 즉 0에서 9까지의 정수로 양방향 다층 구구단을 훈련시키는 간단한 작업을 시도하게하십시오. 그 후 입력에 보간 값을 제공하여 확인합니다. 0에서 9까지의 모든 실수. 그런 다음 외삽을 위해, 즉 최소한 하나의 입력 값이 0보다 작거나 9보다 크도록 합니다. 그리드는 보간에 대처하고 외삽으로 중단됩니다.
그 이유는 기본적입니다. 뉴런 출력의 S자형은 훈련 샘플의 범위를 약간 초과하는 범위를 벗어나는 모든 값을 차단합니다. 저것들. sigmoid는 입력 값이 무엇이든 초과할 수 없는 출력 값의 한계(한계)가 있습니다. 아래 그래프를 참조하십시오. 시그모이드의 입력은 임의의 값이 될 수 있으며 출력은 1보다 크지 않고 0보다 작지 않습니다. 제한된 출력 범위를 벗어나면 당황스러울 것입니다.
한편으로는 시그모이드 덕분에 다층 네트워크의 학습률이 증가하는 것으로 나타났습니다. 그것들이 없으면 역전파 알고리즘은 수렴을 잃습니다. 그러나 다른 한편으로 그러한 그리드는 보간자가 되어 훈련 세트의 범위를 벗어나서 적절하게 작동할 수 없습니다.
C-4 :
그러나 여전히 시장에 진입하는 시점에서 우리는 미래에 우리가 진입하는 방향으로 가격이 변할 것으로 예상하며 이것이 예측입니다.
모든 청어는 물고기지만 모든 물고기가 청어인 것은 아닙니다. 예측 - 보간 및 예측 - 외삽 - 이들은 서로 다른 것이며 혼동해서는 안 됩니다. TV로 못을 망치로 두드릴 수 있지만 망치가 더 좋습니다. 따라서 똑똑한 사람들은 외삽을 위해 회귀를 사용하고 내삽을 위해 다층 신경망을 사용합니다. 다시 말하지만, 회귀 분석에는 한계가 있으며 만병 통치약이 아니며 어떤 경우에는 중단될 수 있음을 잊지 마십시오.
그런 다음 교과 과정은 "신경망을 사용하여 과정을 예측하는 것은 불가능합니다.")))) 한 문장으로 구성되어야 합니다. 그것이 전체 과정입니다)))
불가능한 것은 무엇입니까? 가능합니다 :) 우리는 생계를 위해 사용하는 우리가 가장 좋아하는 전문가 고문을 고용합니다(모든 사람이 그러한 "일꾼"을 가지고 있다고 가정합니다). 우리는 선형 회귀 또는 이와 유사한 것이 있는 스레드를 찾습니다. 우리는 라인을 교체합니다. 뉴런으로의 회귀... 짜잔 :)
그런 다음 교과 과정은 "신경망을 사용하여 과정을 예측하는 것은 불가능합니다.")))) 한 문장으로 구성되어야 합니다. 그것이 전체 과정입니다)))
이것은 일반적으로 신경망과 시장 예측에 환멸을 느낀다는 의미입니까? 몇 년 동안 이 방향을 연구했는지 알면서도 그런 말을 듣는 것이 오히려 낯설다.
나는 예측의 관점에서가 아니라, 바람직하게는 70% 이상의 확률로 특정 지점에서 이익을 얻을 수 있는 도움으로 패턴을 찾는 관점에서 이 방향을 연구하고 있습니다. 시간, 즉 들어오는 모든 새 막대에는 없습니다.
이것들은 근본적으로 다르다는 데 동의해야 합니다.
돈을 벌기 위해 예측할 필요가 없습니다. 각각의 새 막대에서 앞으로 도구 라인을 계속하십시오.
나는 예측의 관점에서가 아니라, 바람직하게는 70% 이상의 확률로 특정 지점에서 이익을 얻을 수 있는 도움으로 패턴을 찾는 관점에서 이 방향을 연구하고 있습니다. 시간, 즉 들어오는 모든 새 막대에는 없습니다.
이것들은 근본적으로 다르다는 데 동의해야 합니다.
돈을 벌기 위해 예측할 필요가 없습니다. 각각의 새 막대에서 앞으로 도구 라인을 계속하십시오.
그러나 여전히 시장에 진입하는 시점에서 우리는 미래에 우리가 진입하는 방향으로 가격이 변할 것으로 예상하며 이것이 예측입니다.
이것은 일반적으로 신경망과 시장 예측에 환멸을 느낀다는 의미입니까? 이 방향을 몇 년 동안 연구했는지 알면 그런 말을 듣는 것이 오히려 이상합니다.
이는 다층 신경망이 외삽(예측)에 적합하지 않음을 의미합니다. 보간 제한 내에서만 훌륭한 작업을 수행합니다.
즉, 방법은 다음과 같습니다.
누구든지 믿지 않는 사람은 간단한 작업, 즉 0에서 9까지의 정수로 양방향 다층 구구단을 훈련시키는 간단한 작업을 시도하게하십시오. 그 후 입력에 보간 값을 제공하여 확인합니다. 0에서 9까지의 모든 실수. 그런 다음 외삽을 위해, 즉 최소한 하나의 입력 값이 0보다 작거나 9보다 크도록 합니다. 그리드는 보간에 대처하고 외삽으로 중단됩니다.
그 이유는 기본적입니다. 뉴런 출력의 S자형은 훈련 샘플의 범위를 약간 초과하는 범위를 벗어나는 모든 값을 차단합니다. 저것들. sigmoid는 입력 값이 무엇이든 초과할 수 없는 출력 값의 한계(한계)가 있습니다. 아래 그래프를 참조하십시오. 시그모이드의 입력은 임의의 값이 될 수 있으며 출력은 1보다 크지 않고 0보다 작지 않습니다. 제한된 출력 범위를 벗어나면 당황스러울 것입니다.
한편으로는 시그모이드 덕분에 다층 네트워크의 학습률이 증가하는 것으로 나타났습니다. 그것들이 없으면 역전파 알고리즘은 수렴을 잃습니다. 그러나 다른 한편으로 그러한 그리드는 보간자가 되어 훈련 세트의 범위를 벗어나서 적절하게 작동할 수 없습니다.
그러나 여전히 시장에 진입하는 시점에서 우리는 미래에 우리가 진입하는 방향으로 가격이 변할 것으로 예상하며 이것이 예측입니다.
그러나 회귀는 보간에도 적합하지 않습니까? 그리드를 울타리로 묶는 이유는 무엇입니까?
그러나 회귀는 보간에도 적합하지 않습니까? 그리드를 울타리로 묶는 이유는 무엇입니까?
다중 회귀 및 다층 뉴런을 시도하고 보간을 위해 MSE를 비교하십시오. 동시에 모든 도구에는 가장 효과적인 기능의 한계가 있다는 것을 알게 될 것입니다.
그러나 회귀는 보간에도 적합하지 않습니까? 그리드를 울타리로 묶는 이유는 무엇입니까?
다층 신경망 은 비선형 회귀의 비모수적 방법 중 하나입니다. 어떤 경우에는 선형/선형화/비선형 매개변수 방법을 위해 신경망을 포기할 수 있습니다.