rede neural e entradas

 

Olá a todos. Eu me interessei pelo tema ns, li dois livros, em geral entendo o que é o que é o que. Normalizar as entradas, não faz sentido escolher o tipo ns - msp (ou rbf) pode lidar com a maioria das tarefas... mas e os insumos? Aqui, a maioria se divide em dois campos: aqueles que dizem que os indicadores sobre insumos são necessários (e enfatizam isso) e aqueles que acreditam que não é necessário: a maioria dos indicadores ns pode se reproduzir, portanto, se necessário ns criará o "indicador" necessário dentro de si mesmo.

Talvez, através de alguma seleção de indicadores úteis diminuamos a área de busca (mais exatamente, impomos uma certa direção de busca), mas idealmentedevemos nós mesmos escolher os métodos de análise de dados. A declaração do meu leigo está correta? Talvez precisemos criar condições especiais na NS para isso?

 
Você está realmente certo de que o tipo de rede não é tão importante, o principal são as entradas e, é claro, as saídas. Basta encontrar as entradas certas para a rede e ela fará maravilhas, mas como você as encontra????? A normalização simples não o fará.....
 
nikelodeon:
Você está realmente certo de que o tipo de rede não é tão importante, o principal são as entradas e, é claro, as saídas. Basta encontrar as entradas certas para a rede e ela fará maravilhas, mas como você as encontra????? A normalização simples não o fará.....


Sua pergunta é uma pista ou é uma questão da sociedade? :)

 

1. Se tomar a primeira posição, o principal é encontrar o conjunto certo de indicadores.

2. se tomar a segunda posição, há dois componentes principais: 1. normalização dos dados. 2.fornecer dados do histórico usando o filtro (remover informações desnecessárias).

Em relação ao segundo, gostaria de acrescentar. Geralmente eu queria alimentar com carrapatos filtrados as entradas (Renko regular), porque olho com ceticismo para a tabela de intervalos de tempo. Mas para dividir os preços em zonas filtrantes (por exemplo, 5). Quanto mais próximo do preço real, mais baixo o período de renko, mais longe, mais alto. Ou seja, quanto mais longe os dados estiverem do presente, menos eles afetam a condição atual, portanto aumentamos a filtragem.

Mas eu desisti dos carrapatos, porque é difícil criar um sistema de recebimento de dados de preço atual e conectá-lo com o histórico de carrapatos, decidi jogar com intervalos de tempo, embora a filosofia básica não tenha mudado.

 
É simples - entradas e saídas devem dar as informações mais adequadas (corretas) para a rede neural sobre os padrões existentes no instrumento que está sendo negociado, a fim de obter uma equidade crescente.
 
Deixem-me interceder, para não fazer novos tópicos. Quem normaliza os sinais de entrada? E com que sinais na saída é mais conveniente operar? Estou farto dos Persaptrons primitivos, construí uma rede, normalizei sinais em todas as camadas, mas a saída é um mistério, e há muitas incertezas.
 
grell:
Vou me permitir interferir, para não multiplicar os tópicos. Quem normaliza os sinais de entrada? E com que sinais é mais conveniente operar na saída? Estou farto dos psaptrons primitivos, construí uma rede, normalizei sinais em todas as camadas, mas há um grande dilema com a saída, e há muitas incertezas sobre coisas pequenas.

Você está fazendo perguntas estranhas) Há duas tarefas principais geralmente resolvidas pela NS em nosso domínio de aplicação: classificação e regressão. Com base nisso, a rede é construída, seu tipo e arquitetura são escolhidos, e sua saída é interpretada de acordo. Se a saída será a pertença do insumo definido para alguma classe, ou o valor do preço de amanhã (condicionalmente). O que sua rede faz? O que você está ensinando?

A normalização das entradas é simples, embora possa haver nuances dependendo da entrada e suas características (entrada de NS pode ser composta, por exemplo). Para um conjunto de entradas "homogêneo" a variante mais simples e geralmente suficiente é uma transformação linear em uma determinada faixa [a;b]. Dependendo das características do conjunto de entradas, transformações adicionais são possíveis para melhorar a distinguibilidade, por exemplo...

Leia os artigos, aprendi algo com eles em meu tempo (todos eles estão disponíveis na escola de neurociência e não faz sentido colocá-los aqui):

Apresentação dos dados de entrada nas tarefas de previsão da rede neural Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.

Transformação dos dados de entrada da rede neural para melhorar sua distinção. Krisilov V.A., Kondratyuk A.V.

Aceleração da aprendizagem das redes neurais pela simplificação adaptativa das amostras de aprendizagem. Krisilov V.A., Chumichkin K.V.

Estimativa preliminar da qualidade da amostragem de treinamento para redes neurais em tarefas de previsão de séries temporais. Tarasenko R.A., Krisilov V.A.

Uma escolha do tamanho da descrição de uma situação durante a formação de uma seleção de treinamento para redes neurais em tarefas de previsão de séries temporais. Tarasenko R.A., Krisilov V.A.

Aumento da qualidade e velocidade de treinamento das redes neurais em uma tarefa de previsão de comportamento de séries temporais. Oleshko D.N., Krisilov V.A.

 
Figar0:

Você está fazendo perguntas estranhas) Há duas tarefas principais geralmente resolvidas pela NS em nosso domínio de aplicação: classificação e regressão. Com base nisso, a rede é construída, seu tipo e arquitetura são escolhidos, e sua saída é interpretada de acordo. Se a saída será a pertença do insumo definido para alguma classe, ou o valor do preço de amanhã (condicionalmente). O que sua rede faz? O que você está ensinando?

A normalização das entradas é simples, embora possa haver nuances dependendo da entrada e suas características (entrada de NS pode ser composta, por exemplo). Para um conjunto de entradas "homogêneo" a variante mais simples e geralmente suficiente é uma transformação linear em uma determinada faixa [a;b]. Dependendo das características do conjunto de entradas, transformações adicionais são possíveis para melhorar a distinguibilidade, por exemplo...

Leia os artigos, aprendi algo com eles em meu tempo (todos eles estão disponíveis na escola de neurociência e não faz sentido colocá-los aqui):

Apresentação dos dados de entrada nas tarefas de previsão da rede neural Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.

Transformação dos dados de entrada da rede neural para melhorar sua distinção. Krisilov V.A., Kondratyuk A.V.

Aceleração da aprendizagem das redes neurais pela simplificação adaptativa das amostras de aprendizagem. Krisilov V.A., Chumichkin K.V.

Estimativa preliminar da qualidade da amostragem de treinamento para redes neurais em tarefas de previsão de séries temporais. Tarasenko R.A., Krisilov V.A.

Uma escolha do tamanho da descrição de uma situação durante a formação de uma seleção de treinamento para redes neurais em tarefas de previsão de séries temporais. Tarasenko R.A., Krisilov V.A.

Aumento da qualidade e velocidade de treinamento das redes neurais em uma tarefa de previsão de comportamento de séries temporais. Oleshko D.N., Krisilov V.A.


A rede está prevendo mais cedo, a saída é de dois valores na faixa [-1;1]. Eu primeiro insiro 8 valores para a entrada líquida, depois normalizo para a faixa [-1;1] sem deslocar zero. Então, normalizo por pesos e camadas da mesma forma. A saída é uma previsão dos dois fractais mais próximos com sua posição relativa em relação à barra 0. Não há ligação quantitativa. Isto é, se a saída for -1 e 0,5, significa que o fractal mais próximo é duas vezes inferior ao Open[0] e o fractal seguinte é superior ao Open[0]. E por analogia, se os valores forem 0,3 e 1, então ambos os fractais são mais altos do que o Open[0]. Obrigado pela seleção. E as perguntas são estranhas em sua opinião. Em minha cabeça (mente), tudo é claro e compreensível. E os esquemas, e métodos de ensino, e treinamento, e interpretações. Mas quando se trata de descrever a máquina - stupor.
 

Se os sinais alimentados para a entrada e saída da rede não trazem nenhuma informação útil para a rede, então a normalização é inútil.

E se esses sinais trazem informações úteis, então, em princípio, como e com o que normalizar não importa - o principal é não desfocar essas informações contidas ))))

 
LeoV:
Se os sinais de entrada e saída da rede não fornecerem informações úteis para a rede, é inútil normalizar ))))

Quais sinais de entrada você acha que trazem informações úteis?) Francamente falando, não me importa o que está acontecendo na camada oculta, que sejam receitas de cupcakes mundiais, a principal coisa que a saída é informação útil, e eu fornecerei a entrada com conteúdo informativo.
 
LeoV:
Se os sinais alimentados para a entrada e saída da rede não trazem informações úteis para a rede - é inútil normalizar ))

О! Leonid! Feliz Natal! Sucesso nos negócios e boa saúde!

Como está indo o projeto?

http://www.neuroproject.ru/demo.php?

Eu mesmo queria me aproximar dos neuro-experimentos.

O que você acha que é relevante no momento, você pode compartilhar suas idéias sobre neuro?

Obrigado.