Continuamos a estudar o método de agrupamento. Neste artigo, criaremos uma nova classe CKmeans para implementar um dos métodos de agrupamento k-médias mais comuns. Com base nos resultados dos testes, podemos concluir que o modelo é capaz de identificar cerca de 500 padrões.
Como resultado do treinamento, obtivemos um gráfico das dependências da função de perda em relação ao número de agrupamentos, mostrado abaixo.
Como se pode ver no gráfico, a quebra acabou sendo bastante estendida na faixa de 100 a 500 agrupamentos. Com isso, é preciso dizer que foram analisados 92 estados do sistema. E a forma do gráfico em si é completamente idêntica àquela construída pelo script de Python no artigo anterior. Isto confirma indiretamente a precisão da classe que construímos.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Novo artigo Redes neurais de maneira fácil (Parte 15): Agrupamento de dados via MQL5 foi publicado:
Continuamos a estudar o método de agrupamento. Neste artigo, criaremos uma nova classe CKmeans para implementar um dos métodos de agrupamento k-médias mais comuns. Com base nos resultados dos testes, podemos concluir que o modelo é capaz de identificar cerca de 500 padrões.
Como resultado do treinamento, obtivemos um gráfico das dependências da função de perda em relação ao número de agrupamentos, mostrado abaixo.
Como se pode ver no gráfico, a quebra acabou sendo bastante estendida na faixa de 100 a 500 agrupamentos. Com isso, é preciso dizer que foram analisados 92 estados do sistema. E a forma do gráfico em si é completamente idêntica àquela construída pelo script de Python no artigo anterior. Isto confirma indiretamente a precisão da classe que construímos.
Autor: Dmitriy Gizlyk