Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 363
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Neden bu kadar dar düşünelim, buradaki herkes sanki havuçtan daha tatlı bir şey görmemiş gibi böyle yazıyor)) Fırın tahmincilerine, aynı tahmin edicileri bulmak için bir nöron eğitin, bir nörona bir nöronu eğitmeyi öğretin, deney yapın :) , sadece göstergeleri alıp girdi olarak beslemek ve çıkışa zikzak vermek çok saçma, neden herkes bunu tartışıyor anlamıyorum :)
Gerçekten isterdim ama...
Örneğin, evrişimli sinir ağları kısmen böyle bir “beceriye” sahipler, ön işlemeyi (filtrelemeyi) kendileri öğrenebiliyorlar, ancak çok dar bir şekilde uzmanlaşmışlar, tıpkı Neo-Cognitron Fokushima'nın torunları gibi, retinanın bir “analoğu” olarak tasarlanmışlar. göz, backprop, CNN tarafından eğitildi Aslında, resimler için mesele önemsiz değil mi? konfigürasyonda, birçok sihirli sayı ve şamanik mimari, sola adım, sağa adım ve her şey bozulur, yani bu, görevin çok ince bir ayarıdır, ve her şeyin evrensel bir çözücüsü değil. Ne yazık ki, mühendislik açısından bakıldığında, her şeyi kendileri yapacak şekilde bir sistem mucizesi geliştirmek naif bir ütopyadır, bir soruna özel çözümler üretmek çok daha kolaydır, bu da yıllarca ekip çalışması gerektirebilir ve AIS - felsefi, insani bir şeye daha yakındır.
Gerçekten isterdim ama...
Örneğin, evrişimli sinir ağları kısmen böyle bir “beceriye” sahipler, ön işlemeyi (filtrelemeyi) kendileri öğrenebiliyorlar, ancak çok dar bir şekilde uzmanlaşmışlar, tıpkı Neo-Cognitron Fokushima'nın torunları gibi, retinanın bir “analoğu” olarak tasarlanmışlar. göz, backprop, CNN tarafından eğitildi Aslında, resimler için mesele önemsiz değil mi? konfigürasyonda, birçok sihirli sayı ve şamanik mimari, sola adım, sağa adım ve her şey bozulur, yani bu, görevin çok ince bir ayarıdır, ve her şeyin evrensel bir çözücüsü değil. Ne yazık ki, mühendislik açısından bakıldığında, her şeyi kendileri yapacak şekilde bir sistem mucizesi geliştirmek naif bir ütopyadır, bir soruna özel çözümler üretmek çok daha kolaydır, bu da yıllarca ekip çalışması gerektirebilir ve AIS - felsefi, insani bir şeye daha yakındır.
Ancak, her zaman mükemmel çalışmayacak, ancak zaman zaman verecek iyi bir kendi kendini optimize eden aparat yapmanın mümkün olduğuna inanıyorum.
Ama bu açıkça standart göstergelerde değil ve çıktıda zikzak olacak :) Hatta sadece bir örnek olarak bence biraz çocukça bir oyun gibi geliyor kulağa.
sadece korelasyonlu değiller, genellikle numunedeki bir artışla kendileriyle çelişirler, evet, sonuç olarak çıktı ya utançtır - her zaman 0 veya 1 veya 0,5 .. özellikle 1 nöron için. Yani, >0.5 satarsa ve <0.5 alırsa. Eğer RSI aşırı satılırsa ve piyasa bir sonraki n-barda büyürse, o zaman RSI aşırı satın alınırsa ve piyasa düşerse 0 veririz. sert. Ama bunun tam tersi olacağı birçok zaman olacak ve o körleşecek, sinyalleri karıştıracak ve transa girecek. Sonuç olarak, çıktı her zaman bir yönde çok küçük sapmalarla birlikte yaklaşık 0,5 olacaktır... ve bu, tüm osilatörler için geçerli olacaktır, çünkü bunlar hiçbir şeyin öngörücüsü değil, fiyatın türevleridir :)
Satın almak için > 0,8 ise, satmak için <0,2 ise gereklidir. Böylece aralığın ortasındaki gürültüyü filtrelersiniz, yani. yaklaşık 0,5
anlamadın )
ALGLIB üzerindeki sinir ağları ve R - ağırlık katsayıları -1 ile 1?
O kadar zor ki... algoritmayı anlayıp (yukarıdaki K korelasyonunda olduğu gibi) yazmanızdan daha fazla zaman alacaktır. Tüm girdileri numaralandırma, korelasyonu hesaplama ve yüksek düzeyde ilişkili olanları filtreleme işlevinin birkaç saat alacağını düşünüyorum.
Tahmin edicileri taramak için diğer çözümlerle de bu kadar kolay olacağını umuyorum)
Yani gereksiz tahmin edicileri bulmak için başka çözümler var mı?
Buraya bak.
Tahmin edicilerin önemini değerlendirirken, bunun yalnızca bilgi kriterleriyle belirlenmeyen karmaşık bir değer olduğunu hatırlamak önemlidir. Makalede yordayıcıların önemini çeşitli açılardan göstermek için RandomUniformForest kullanarak yordayıcı seçme örneğini verdim. Bence bu, bu amaç için en başarılı paket.
Özellikle sinir ağları için, tahmin edicilerin önemi, birinci katmandaki ağırlıklarına göre belirlenebilir. Bu yaklaşım H2O'da kullanılır. Vakit bulursam örnek veririm.
Tahmin edicilerin öneminin yanı sıra gürültü örnekleri (sıralar) da tanımlanmalıdır. Ve onları ya ayrı bir sınıfa çıkarın ya da eğitim setinden çıkarın. Bkz. NoiseFilterR
İyi şanlar
Millet Meclisi konusunda uzun süredir var olanlara soru.
ALGLIB üzerindeki sinir ağları ve R - ağırlık katsayıları -1 ile 1?
Vladimir Perervenko :
Makalede yordayıcıların önemini çeşitli açılardan göstermek için RandomUniformForest kullanarak yordayıcı seçme örneğini verdim.
MQL'de bir analog yapmak için bu fonksiyondaki önem hesaplama algoritmasını bilmek ilginç olurdu.
Vladimir Perervenko :
Özellikle sinir ağları için, tahmin edicilerin önemi, birinci katmandaki ağırlıklarına göre belirlenebilir. Bu yaklaşım H2O'da kullanılır. Vakit bulursam örnek veririm.
Ben de düşündüm, uygulaması kolay.
Vladimir Perervenko :
Tahmin edicilerin öneminin yanı sıra gürültü örnekleri (sıralar) da tanımlanmalıdır. Ve onları ya ayrı bir sınıfa çıkarın ya da eğitim setinden çıkarın. Bkz. NoiseFilterRBu benim için yeni, fikir için teşekkürler, üzerinde düşünmem gerekecek.)
Ağırlıkların başlatılmasından mı bahsediyorsunuz yoksa?
Sanırım ilki rastgele seçilmiştir (aralığın ortasında bir seçenek olarak).
MQL'de bir analog yapmak için bu fonksiyondaki önem hesaplama algoritmasını bilmek ilginç olurdu.
Ben de düşündüm, uygulaması çok kolay.
Bu benim için yeni, fikir için teşekkürler, üzerinde düşünmem gerekecek.)
Demek istediğim, seçildikleri tam aralık nedir - -1'den 1'e.Sanırım ilki rastgele seçilmiştir (aralığın ortasında bir seçenek olarak).
Sinir ağları, ağırlıkların ilk başlatılmasına çok duyarlıdır. Bu hiç de önemsiz bir soru değil. Bunlardan birini başlatmanın oldukça fazla sayıda yolu vardır - ön eğitim ( derin sinir ağlarında kullanılır) en umut vericisidir (IMHO).
Antrenman sırasında nöronların ağırlıkları -inf ile +inf arasında geniş bir aralıkta değerler alabilir. Bu bozulmaları önlemek için, ağırlık aralığını sınırlayan düzenlileştirme ve diğer stabilizasyon yöntemleri kullanılır.
İyi şanlar