Busca de um padrão arbitrário usando uma rede neural - página 3
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Você acha que há uma diferença entre "descrição humana" e "rede neural conta"?
Uma rede neural é treinada por exemplos, sem entrar nos detalhes das dependências.
Exatamente. Primeiro você deve preparar 100500 exemplos de diferentes "ombros de cabeça" para isso e ensiná-los sobre esses exemplos.
Na verdade, os padrões de preços podem ser descritos pela matemática, você não precisa de NS para isso. Mas tentar encontrar os sinais de um padrão falso é exatamente a tarefa para a NS.
Você acha que há uma diferença entre "descrição humana" e "rede neural conta"?
Uma rede neural é treinada por exemplos, sem entrar em detalhes de dependências.
Dmitry, por favor explique com mais detalhes sua resposta, sim eles não entram em detalhes de dependências, mas é a matemática que está subjacente, eu acho (imho) que na base das ações humanas também está a matemática, ela mesma é mais complexa, mas também 1+1=2
é mais complexo, mas também 1+1=2
para NS 1+1=2 , mas com uma dada precisão
para alguns tipos de NS nem todos os resultados de treinamento serão idênticos ao treinamento anterior, mas eles (os resultados) serão iguais à precisão igual ao erro de treinamento
A base de NS não é tanto matemática, (sim, NS treinamento é um cálculo matemático), mas é o tipo de NS, estrutura da função de ativação de NS, o que você ensina NS classificação ou regressão ... Isto é, você não pode simplesmente dizer que a NS me deu este resultado - está certo ou vice-versa a NS está mentindo. NS é uma caixa preta, não porque você queira chamá-la assim, mas porque NS usao modelo de caixa preta
Dmitry, por favor explique com mais detalhes sua resposta, sim eles não entram em detalhes de dependências, mas é a matemática que está subjacente, eu acho (imho) que as ações humanas também são baseadas na matemática, ela mesma é mais complexa, mas também 1+1=2
Você precisa saber um pouco sobre como as redes neurais são utilizadas. Há uma imagem de entrada, há um resultado de saída. Tendo um certo número desses pares (imagem de entrada - resultado de saída), o neurônio é treinado. E ninguém se importa por que alguma imagem dá tal resultado, há apenas um conjunto de fatos experientes e isso é tudo. Em seguida, a imagem analisada é alimentada para a entrada da rede treinada e o resultado é visto na saída.
Você precisa saber um pouco sobre como as redes neurais são utilizadas. Há uma imagem de entrada, há um resultado de saída. Tendo um grande número desses pares (imagem de entrada - resultado de saída), uma rede neural é treinada. E ninguém se importa por que alguma imagem dá tal resultado, há apenas um conjunto de fatos experientes e isso é tudo. Em seguida, uma rede treinada recebe uma imagem para ser analisada e olha para o resultado na saída.
Agora você descreveu o aprendizado com um professor. Quando for possível coletar dados históricos e pedir à rede que encontre a lei matemática (modelo) que a descreva da forma mais precisa possível. Mas às vezes não há dados históricos como tal, mas um monte de padrões que precisam ser decompostos, ordenados por assim dizer. Tudo isso é feito por diferentes redes. Ou seja, um sistema multinível de IA é projetado no qual uma rede ordena os padrões e outra define sua validade. Pergunta: Por que precisamos dos primeiros NS se podemos organizá-los matematicamente nas prateleiras SEM NS? Muito mais interessante é a resposta para a outra pergunta sobre a verdade do padrão formado.
Deseja dar uma dica importante!!!!!!?????? Posso vê-lo em seus olhos :-) OK, vou dar como exemplo.
Se considerarmos qualquer padrão como um fato consumado (padrão formado), então ele nos dá apenas um momento para analisar o mercado. Suponha que comecemos a fazer nossos próprios cálculos dentro da próxima barra depois que o padrão tiver sido formado. Isso significa, de fato, que o padrão em si nos dá apenas o tempo em que devemos fazer o cálculo, mas deixamos a NS decidir que tipo de padrão é, que condições levaram à sua formação e o que aconteceu quando foi formado. Se considerarmos a condição de que qualquer padrão nos dá apenas o momento de analisá-lo, então, tendo um conjunto de 10 padrões, obteremos muito mais barras para análise. Não há necessidade de treinar uma rede para "ombros de cabeça", outra para "três soldados", etc. Mas é necessário informar a NS sobre que tipo de padrão é e isso é feito de forma muito simples.
Assim, escrevemos um indicador que pode detectar 5 padrões para compra e 5 para venda, no mínimo. É claro que a ordem futura dos padrões não é conhecida e eles aparecem de forma caótica. Acredite que tipo de padrão é, o NS não se importa realmente, ele olha para o conjunto de dados de entrada no momento de formar qualquer um dos padrões e, teoricamente, se os padrões diferirem drasticamente, os conjuntos de dados de entrada também serão significativamente diferentes na medida em que a rede os verá. Mas isto não é suficiente para nós e queremos dizer à rede, à força, que tipo de padrão é. É muito fácil de fazer. Os padrões são codificados de -5 a +5 e os valores de entrada são multiplicados no estágio mais inicial da conversão de dados. A multiplicação dispersa os dados ao longo do eixo Y, fazendo com que os dados de um padrão sejam multiplicados pelo mesmo número e deslocados por uma certa distância. Como resultado, as entradas serão dependentes do tipo de padrão. Portanto, o que temos no final:
1. Nós escrevemos um indicador básico que define padrões, formando sinais para a análise.
2. Definir o conjunto de dados de entrada
Determinar a estrutura interna da NS, métodos de treinamento, métodos de análise de erros, etc.
4. No indicador básico, faça um buffer para a variável de saída. Lembre-se de que não conhecemos o resultado do padrão mais recente. O buffer deve ser tal que os valores futuros sejam atribuídos aos padrões. Ao salvar o arquivo de treinamento, saberemos os resultados de TODOS os padrões, exceto o último.
5. Elaboramos um método para verificar os modelos obtidos para a capacidade de generalização.
É isso......
E outro ponto interessante veio à mente ao olhar para o nome do ramo.
Suponhamos que queremos encontrar padrões arbitrários usando NS que não conhecemos. Pergunta: Se não conhecemos os padrões em si, então o que é conhecido? Correto, nós sabemos a resposta a esses padrões, ou melhor, devemos escolher sob quais condições procurar padrões. Vamos formular a formulação do problema:
Encontrar padrões de 5 castiçais após os quais a taxa muda em mais de 10% durante os próximos 4 castiçais. É claro que podemos providenciar uma descarga deste tipo a partir da história e gerar um arquivo de treinamento contendo apenas 5 barras antes da reação do mercado para cada caso. Depois ensinamos a rede a mostrar 1 para os bares que precedem cada subida e -1 para todos os outros bares. Após o treinamento, começamos a enviar dados das últimas 5 barras para a entrada da rede barra por barra e quando a grade mostra 1, então as entradas conterão exatamente o mesmo padrão ou um padrão similar a ele como em nosso treinamento.
Com esta abordagem, não saberemos que tipo de padrão é e quais são seus parâmetros. Observe que eu limitei 5 barras nas entradas quando este número está flutuando, quando durante o treinamento também ajustamos a janela de entrada, então o número de resultados de otimização aumenta muitas vezes e o número de padrões se torna número de dados salvos quando cada registro é tão único que, de 1000 registros, temos 1000 clusters. IMHO!
Acredito que a abordagem tem seu lugar, embora tenha certas limitações. Pelo menos não quebra nenhuma regra crítica, como o espreitar, etc.
Seja com ou sem um professor - uma perspectiva diferente sobre a mesma coisa. A situação e seu resultado devem ser conhecidos; se não existe tal coisa, não se pode ensinar nada. E você não precisa do dom de Deus com o ovo - ou seja, o ensino e a classificação.
Quando se aprende sem um professor, normalmente não se sabe o resultado, então e neste caso?
Mihail Marchukajtes:
Michael, a rede neural funciona um pouco diferente. Não funciona do jeito que você quer.
Quando se aprende sem um professor, o resultado geralmente é desconhecido, então como isso funciona?
Somente a classificação. A rede aprende a distinguir entre situações (imagens), mas não pode saber o que fazer em que caso ou o que chamar qual imagem.