Обсуждение статьи "Использование самоорганизующихся карт Кохонена в трейдинге" - страница 4

 
sealdo:

Здравствуйте, уважаемые форумчане!

Очень интересная статья! Пытаюсь тоже этот код SOM использовать.

Может ли кто подсказать, как проще сделать расчет результата области вокруг BMU (для наглядности обвел синим), с учетом расстояние от BMU ?

А что, кто-то нашел решение? Вот только сейчас нашел эту статью. Присоединяюсь к благодарностям. И к вопросу. 
 
Rosh:
Вы хотели сказать, что на Java код выполняется значительно быстрее? Приложите, пожалуйста, свои исходники для сравнения, интересно посмотреть.
Java код не выполняется (не интерпретируется), а предварительно компилируется в машинный код (JIT компиляция), после чего этот самый машинный код и выполняется. Поэтому не стоит удивляться, что приложения на Pure Java выполняются быстро.
 
Alexey_74:
А что, кто-то нашел решение? Вот только сейчас нашел эту статью. Присоединяюсь к благодарностям. И к вопросу. 
Всем спасибо. Решение найдено. Причем, сам нашел, сам же и удивился, как всё, оказывается, просто... Ещё раз большое спасибо автору за статью.
 

Мой комментарий через 5 лет после последнего комментария...

Почему я не вижу историю об обучающем множестве и контрольном множестве? В статье приводится исторический анализ с помощью некой цветовой системы, однако в фразе "машинное обучение" ключевым является слово "обучение", и выполняется оно для торговли на будущих периодах.

Короче, зачем этот изощренный анализ истории? Прогоняешь оптимизацию и видишь, какой период и какой сдвиг тестируются лучше.

 
Evgeniy Scherbina:

Почему я не вижу историю об обучающем множестве и контрольном множестве? В статье приводится исторический анализ с помощью некой цветовой системы, однако в фразе "машинное обучение" ключевым является слово "обучение", и выполняется оно для торговли на будущих периодах.

я задавал похожий вопрос в обсуждении этой статьи https://www.mql5.com/ru/articles/5473 

материал по этому вопросу изучал, скорее всего, просто карты Кохонена выполняют задачу по отображению многомерных данных, а для самого анализа данных они не предназначены

 
Igor Makanu:

я задавал похожий вопрос в обсуждении этой статьи https://www.mql5.com/ru/articles/5473 

материал по этому вопросу изучал, скорее всего, просто карты Кохонена выполняют задачу по отображению многомерных данных, а для самого анализа данных они не предназначены

Прочитал, мне кажется вы вдвоем (втроем?) вкусную конфету не поделили, и пошло-поехало.

Я считаю, любая публикация имеет право быть, но здесь нет описания того что в привычном понимании делает нейронная сеть - принимает "новое" решение в "новой" ситуации. А есть только исторический анализ. Это вызвало недоумение.

Я смотрю Саймона Хайкина, там хорошие примеры. И в конце приводятся задачи, среди задач есть прогнозирование, ну или то что я бы назвал прогнозированием. Если разберусь напишу еще пару предложений по сути.

 
Evgeniy Scherbina:

Прочитал, мне кажется вы вдвоем (втроем?) вкусную конфету не поделили, и пошло-поехало.

дело было не так, я в очередной раз решил вернуться к НС, и выбор пал на карты Кохонена, прогуглив материал ( этот сайт очень хорошо поисковиками индексируется ), я ознакомился со всеми предложенными материалами поисковика

Я интересовался этими видом НС лет 5 назад, не имея теоретической подготовки, сейчас обьем знания по НС довольно приличный, и повторное изучение материала по картам Кохонена вызвало много вопросов.

Я задал конкретный вопрос... ну  а дальше вместо поиска истины наткнулся на защиту "авторских интересов", которые почему то повторили статью из Вики и больше ничем не подкреплены, кроме...ну как Вы сказали, "пошло-поехало" - "сам дурак" - "иди читай"


Evgeniy Scherbina:

Я смотрю Саймона Хайкина, там хорошие примеры. И в конце приводятся задачи, среди задач есть прогнозирование, ну или то что я бы назвал прогнозированием. Если разберусь напишу еще пару предложений по сути. 

уже прочитал, как первая книга по НС самое то, потом сколько литературы читал - в более половине новой литературы будут перепечатки из Хайкина


Evgeniy Scherbina:

 И в конце приводятся задачи, среди задач есть прогнозирование, ну или то что я бы назвал прогнозированием. Если разберусь напишу еще пару предложений по сути. 

с удовольствием обсудил бы, я сколько искал информацию на эту тему - не предназначены карты Кохонена ни для чего - вообще ни для чего! - они просто красиво отображают многомерные данные 

идея такого вида НС довольно заманчива, принцип как у электронного компонента дешифратор - на вход подаем комбинацию входных данных, на выходе получаем готовый результат

тестировал сети Хэмминга, ну как бы то что ищу, но ... пока забросил НС - занялся простыми решениями вот из готового  https://www.mql5.com/ru/forum/307970/page11#comment_12625353

 

Цитирую С. Осовского:

"Сеть с самоорганизацией также с успехом может использоваться для прогнозирования, например, нагрузок в электроэнергетической системе. В настоящем подразделе будут представлены подробности решения задачи прогнозирования часовых нагрузок в электроэнергетической системе на 24-часовом интервале".

Так что все хорошо. Такое прогнозирование, которое описано дальше, в целом подходит один-в-один для прогнозирования покупки, продажи или отказа от действия на Форексе.

Я всегда зырю в корень, я знал, что никто не стал был называть это нейронной сетью, если бы карты Кохонена не умели прогнозировать.

 
Evgeniy Scherbina:

Я всегда зырю в корень, я знал, что никто не стал был называть это нейронной сетью, если бы карты Кохонена не умели прогнозировать.

не умеют, обучение есть, чтобы вектора весов НС развернуть по обучающим множествам - итог произвести кластеризацию данных,  а сам отклик сети отсутствует на другие данные - вернее он будет, но будет выдавать рендомные значения


про корень... название не сеть Кохонена, а как бы самоорганизующиеся карты Кохонена (Self Organizing Maps – SOM)


UPD: не вижу смысла продолжать дискуссию, второй раз обсуждение сводится к тому, что написано в Вики,  а сейчас к тому что написал некий "Цитирую С. Осовского" , я согласен остаться в плену своих рассуждений, которые не подтверждены ни фразой "SOM Kohonen" умеют прогнозировать, и обратной - не умеют

 
Igor Makanu:

не умеют, обучение есть, чтобы вектора весов НС развернуть по обучающим множествам - итог произвести кластеризацию данных,  а сам отклик сети отсутствует на другие данные - вернее он будет, но будет выдавать рендомные значения


про корень... название не сеть Кохонена, а как бы самоорганизующиеся карты Кохонена (Self Organizing Maps – SOM)


UPD: не вижу смысла продолжать дискуссию, второй раз обсуждение сводится к тому, что написано в Вики,  а сейчас к тому что написал некий "Цитирую С. Осовского" , я согласен остаться в плену своих рассуждений, которые не подтверждены ни фразой "SOM Kohonen" умеют прогнозировать, и обратной - не умеют

Человек всегда видит то что хочет видеть