нейронная сеть и входы - страница 39

 

The quality of modeling in out of sample:
*
* TruePositives: 83
* TrueNegatives: 111
* FalsePositives: 96
* FalseNegatives: 47
* Total patterns in out of samples with statistics: 337
* The remainder patterns in out of samples without the statistics: 78
* Total errors in out of sample: 143
* Sensitivity of generalization abiliy: 46.36871508379888%
* Specificity of generalization ability: 70.25316455696202%
* Generalization ability: 16.621879640760895%
* Indicator by Reshetov: 0.004123184591376475
*/
double x0 = 2.0 * (v0 - 19.0) / 35.0 - 1.0;
double x1 = 2.0 * (v1 - 12.26) / 57.830000000000005 - 1.0;
double x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0;
double x3 = 2.0 * (v3 - 12.11) / 24.380000000000003 - 1.0;
double x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0;
double x5 = 2.0 * (v5 - 11.61) / 58.5 - 1.0;
double decision = -0.03426154451479057 + 0.09136531101334192 * x0 -0.16115463032514218 * x1 + 0.3774761240476446 * x0 * x1 -0.1495367886396967 * x2 -0.2182655506670959 * x0 * x2 -0.686972851164288 * x1 * x2 -0.7274492971348857 * x0 * x1 * x2 -0.06979110777265085 * x3 + 0.27356476016739995 * x0 * x3 -0.026662374360625248 * x1 * x3 + 0.12474514432879064 * x0 * x1 * x3 -0.2919894838501985 * x2 * x3 -0.2863737167793397 * x0 * x2 * x3 + 0.04656257824516221 * x1 * x2 * x3 + 0.11427907143112637 * x0 * x1 * x2 * x3 + 0.01709410880995815 * x4 + 0.21856958901169654 * x0 * x4 -9.925957720785493E-4 * x1 * x4 + 0.9723342991021926 * x0 * x1 * x4 + 0.04599384769467396 * x2 * x4 -0.05459813284687198 * x0 * x2 * x4 + 0.3729012411918303 * x1 * x2 * x4 + 0.010296169116858033 * x0 * x1 * x2 * x4 + 0.058584612082841506 * x3 * x4 + 0.531371391780234 * x0 * x3 * x4 -0.025018778838931215 * x1 * x3 * x4 + 0.1861984476159817 * x0 * x1 * x3 * x4 + 0.07319097184962621 * x2 * x3 * x4 + 0.09688271273741818 * x0 * x2 * x3 * x4 + 0.1411041957291555 * x1 * x2 * x3 * x4 + 0.16417712916264263 * x0 * x1 * x2 * x3 * x4 -0.1726597989770004 * x5 + 0.36239224523375185 * x0 * x5 -0.008892227349143328 * x1 * x5 -0.04417677147047251 * x0 * x1 * x5 -0.7319687377043317 * x2 * x5 -0.7806416997531924 * x0 * x2 * x5 + 0.012256322209106843 * x1 * x2 * x5 + 0.04393711771649319 * x0 * x1 * x2 * x5 -0.006563651321672569 * x3 * x5 + 0.06276424509067496 * x0 * x3 * x5 -0.015999570769395857 * x1 * x3 * x5 -0.05302786422005222 * x0 * x1 * x3 * x5 + 0.03534892871195049 * x2 * x3 * x5 + 0.1463193475694817 * x0 * x2 * x3 * x5 -0.027476124047644598 * x1 * x2 * x3 * x5 + 0.052884787352004865 * x0 * x1 * x2 * x3 * x5 -0.018202954537325178 * x4 * x5 + 1.0 * x0 * x4 * x5 -0.07118968415781378 * x1 * x4 * x5 -0.003138748792788926 * x0 * x1 * x4 * x5 + 0.2624137067639589 * x2 * x4 * x5 -0.02015595378617162 * x0 * x2 * x4 * x5 + 0.08019279607969382 * x1 * x2 * x4 * x5 + 0.06399649461673285 * x0 * x1 * x2 * x4 * x5 -0.02596308616804378 * x3 * x4 * x5 + 0.18361769860857746 * x0 * x3 * x4 * x5 -0.08407017920377723 * x1 * x3 * x4 * x5 + 0.03014271917587724 * x0 * x1 * x3 * x4 * x5 + 0.07432306756805093 * x2 * x3 * x4 * x5 + 0.20722895875809277 * x0 * x2 * x3 * x4 * x5 + 0.0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0.20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5;

Сложно всё..... Насколкьо данные хорошо описывают зависимую переменную???? 

 

Я подавал один файл обучения. Проверочного интервала пока нет :-( Но это не проблема.....

Причём я как понял он взял 337 записей, хотя я подавал 600

Вот, поробую у себя повторить результат. Интересно будет даже на разных машинах каков результат??? 

Файлы:
 
НУ и насчёт данных не совсем понятно как их взять чтобы на чистых данных натренировать сеть..... Как выделить из обучающей выборки TruePositives:  TrueNegatives: FalsePositives: FalseNegatives и попробовать потренировать сеть. Глядишь что и получится. Нормализация входящих данных, это нужная вестч.... Ну а индикатор пока незнаю как приткнуть.... Чтод хоть как то наглядно всё выглядело...
 

Результат совпадает....... Предположим мы нашли 83 реально позитивных примера. Как их выделить из общей выборки...... И подать чисто эти 83 записи естесенно нормализованных. И если сеть обучится с минимальной ошибкой к этим 83 записям. То она (теоретически) сможет класифицировать подобные записи в шуме входа...... Как то так....

 
nikelodeon:

Я подавал один файл обучения. Проверочного интервала пока нет :-( Но это не проблема.....

Причём я как понял он взял 337 записей, хотя я подавал 600

Вот, поробую у себя повторить результат. Интересно будет даже на разных машинах каков результат??? 

VMR делит общую выборку на две части: обучающую и контрольную. Т.е. если в общей выборке подавались 600 примеров, то это означает, что 600 - 337 = 263 примеров вошли в обучающую выборку, на которых создавалась (обучалась) модель, а 337 примеров - это контрольная выборка, на которой модель потом тестировалась (но не обучалась)
nikelodeon:
НУ и насчёт данных не совсем понятно как их взять чтобы на чистых данных натренировать сеть..... Как выделить из обучающей выборки TruePositives:  TrueNegatives: FalsePositives: FalseNegatives и попробовать потренировать сеть.
Смысла нет выделять из обучающей выборки что нибудь. Обучающая выборка только для создания модели, а модель предназначена для других данных, которые не будут в этой самой выборке.  Поэтому VMR все расчёты ведет только по контрольной выборке.
 

На самом деле JPrediction создавался не для прогнозирования финансовых инструментов, а для прогнозирования профитности сигналов в течении следующего месяца.

Т.е. я составляю выборку в которую входят текущие характеристики сигнала: количество сделок, срок, профит за месяц в %, процент профитных сделок, процент убыточных сделок, профитфактор, коэффициент Щарпа и т.д. Потом жду месяц и сигналы, которые дали профит за месяц, помечаю 1, а убыточные 0.

Потом обучаю на этой выборке модель и с её помощью прогнозирую сигналы на следующий месяц.

Суть в том, что сигналы легче прогнозировать, т.к. у них помимо исторических данных есть ещё куча дополнительной полезной информации. У финансовых инструментов никаких дополнительных данных, кроме исторических нет.

 
Визард подскажи, ты в какой програмке интерпретируешь данные. В эекселе???
 

Дык вот и думаю... в чём бы интерпретировать результат... чтоб быстрее было и уж точно не в ручную........

 
Reshetov:

На самом деле JPrediction создавался не для прогнозирования финансовых инструментов, а для прогнозирования профитности сигналов в течении следующего месяца.

Т.е. я составляю выборку в которую входят текущие характеристики сигнала: количество сделок, срок, профит за месяц в %, процент профитных сделок, процент убыточных сделок, профитфактор, коэффициент Щарпа и т.д. Потом жду месяц и сигналы, которые дали профит за месяц, помечаю 1, а убыточные 0.

Потом обучаю на этой выборке модель и с её помощью прогнозирую сигналы на следующий месяц.

Суть в том, что сигналы легче прогнозировать, т.к. у них помимо исторических данных есть ещё куча дополнительной полезной информации. У финансовых инструментов никаких дополнительных данных, кроме исторических нет.

Полностью поддерживаю такую точку зрения, у меня есть индикатор, который даёт сигналы. Те же самые сделки. Думаю его тоже можно будет прогнать в JPrediction , только вот непонятно каким образом выбирается интервал тренировки? Да и сохранять всё таки файл с подсчитанным индикатором для каждой записи было бы удобно.....Как это делает Vizard......  Ну и сами данные чтоб достать можно было.... На них потом другую сеть натренировать можно попробовать..... Как то так. Скажи Юрий, такое планируется????
 
Самое обидное что и ексель такие длинные формулы не поддерживает :-(