Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 373
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Reshetov'un RNN'sinin nasıl çalıştığını açıklayan makalesinden alıntı.
"Bu makale, sinir ağlarını yeniden eğitme sorununu ayrıntılı olarak tartışıyor, ortaya çıkmasının nedenlerini belirliyor ve bu sorunu çözmenin bir yolunu öneriyor.
1. Sinir ağı neden yeniden eğitiliyor?
Sinir ağlarının yeniden eğitilmesinin nedeni nedir? Aslında, bunun birkaç nedeni olabilir:- Eğitim örneğindeki örnek sayısı, örneklem dışındaki sorunları çözmek için yeterli değildir.
- Girdi verileri, durağan olmayan veri işleme durumlarında çok sık görülen bir durum olan, farklı örneklerdeki çıktı verileriyle korelasyon derecesi açısından eşit olmayan bir şekilde dağılmıştır. Örneğin, eğitim örneğinde, herhangi bir girdi parametresinin veya birkaç girdi parametresinin çıktı değerlerine göre korelasyonu, test örneğindekinden çok daha yüksektir veya daha kötüsü, farklı örneklerdeki korelasyon katsayıları işaret bakımından farklılık gösterir. Bunu, farklı örneklerdeki tüm parametreler için korelasyon katsayılarını hesaplayarak ve hatta sinir ağını eğitmeden önce kontrol etmek kolaydır. Ve bu dezavantajdan kurtulmak da oldukça basittir, yani eğitim örnekleri rastgele örneklere ayrılır.
- Girdi parametreleri çıktı olanlarla ilgili değildir, yani. aralarında nedensel bir ilişki yoktur - temsili değildirler ve buna göre sinir ağını eğitecek hiçbir şey yoktur. Ve girdiler ve çıktılar arasındaki korelasyonları kontrol etmek, sıfıra yakın bir korelasyon gösterecektir. Bu durumda, sinir ağını eğitmek için diğer girdi verilerini aramak gerekir.
- Girdi verileri birbiriyle yüksek oranda ilişkilidir. Bu durumda, girdi verilerinin çıktıyla ilişkili olarak maksimum korelasyonla bırakılması, geri kalanıyla iyi korelasyon gösteren verilerin geri kalanının kaldırılması gerekir.
Yukarıdaki tüm aşırı eğitim nedenleri ve bunların ortadan kaldırılması için yöntemler iyi bilinmektedir, çünkü sinir ağı teknolojileri hakkında çeşitli literatür veya makalelerde daha önce açıklanmıştır. "Sadece bu, kelimenin tam anlamıyla bir sinir ağı değil, bir sınıflandırıcıdır) Bu nedenle, yeniden eğitmez, ancak optimize edicideki parametreler ayarlanır. Hiçbir şey, optimize edicide farklı sayıda katmana ve farklı bir özellik periyoduna ve hatta sayılarına sahip bir sinir ağının kullanılmasını engellemez, daha da iyi olacaktır.
burayı tekrar okuyun, tam bir çerçeve bile var https://www.mql5.com/ru/articles/3264
Bendat J., Peirsol A.
Rastgele verilerin uygulamalı analizi: Per. İngilizceden. - M.: Mir, 1989.
126. sayfada
ÖRNEK 5.4. İLİŞKİSİZ BAĞIMLI RASTGELE DEĞİŞKENLER.
İki rastgele değişken X ve Y, korelasyon momentleri (veya aynı olan korelasyon katsayısı) sıfır değilse, korelasyonlu olarak adlandırılır; X ve Y, korelasyon momentleri sıfırsa, ilişkisiz nicelikler olarak adlandırılır.
İlişkili iki miktar da bağımlıdır. Aslında, bunun tersini varsayarak , koşulla çelişen µ xy =0 olduğu sonucuna varmalıyız, çünkü
bağıntılı büyüklükler için µ xy ≠ 0.
Tersi varsayım her zaman geçerli değildir, yani iki nicelik bağımlıysa, bunlar hem ilişkili hem de ilişkisiz olabilir. Başka bir deyişle, iki bağımlı niceliğin korelasyon momenti sıfıra eşit olmayabilir, ancak sıfıra da eşit olabilir.
Dolayısıyla, iki rastgele değişkenin korelasyonundan bağımlılıkları çıkar, ancak korelasyon henüz bağımlılıktan çıkmaz. İki niceliğin bağımsızlığından bağıntısızlıkları çıkar, ancak bağıntısızlıktan bu niceliklerin bağımsız olduğu sonucuna varmak henüz mümkün değildir.
http://www.uchimatchast.ru/theory/stat/korell_zavis.php
1. kimse korelasyonu analiz etmiyor - tahmin edicilerin seçiminden bahsediyoruz.
2. Benim fikrimi üç sayfa önce kendi sözlerinle tekrarladın - " Bağımlılık korelasyonun özel bir durumudur. İki değişken birbirine bağlıysa mutlaka bir korelasyon vardır. Bir korelasyon varsa mutlaka bir bağımlılık yoktur."
3. Çapraz entropi, tıpkı korelasyon gibi, işlevsel bir bağımlılığın varlığı açısından bir cevap vermeyecektir.
İşte burada hata yaptım, kabul ediyorum.
Rastgele değişkenler bağımsızsa, bunlar korelasyonsuzdur, ancak korelasyonsuzluktan bağımsız oldukları sonucuna varılamaz.
Eğer iki nicelik bağımlıysa, bunlar ya ilişkili olabilir ya da ilişkisiz olabilir.
Sadece bu, kelimenin tam anlamıyla bir sinir ağı değil, bir sınıflandırıcıdır) Bu nedenle, yeniden eğitmez, ancak optimize edicideki parametreler ayarlanır. Hiçbir şey, optimize edicide farklı sayıda katmana ve farklı bir özellik periyoduna ve hatta sayılarına sahip bir sinir ağının kullanılmasını engellemez, daha da iyi olacaktır.
burayı tekrar okuyun, tam bir çerçeve bile var https://www.mql5.com/ru/articles/3264
Yukarıdaki alıntı, kelimenin tam anlamıyla özellikle sinir ağlarına atıfta bulunur ve RNN'sinde çözmeye çalıştığı bu problemlerdir.
Evet, ve basitçe tüm olası parametreleri sıralayarak ve ileri ile karşılaştırarak çözülürler .. Ulusal Meclis ile kesinlikle aynı şey yapılabilir. RNN'si aynı şekilde yeniden eğitilir, optimize edicideki en uygun kararlı parametreleri seçiyoruz, geri testi ileri ile karşılaştırıyoruz .. her şey NN ile tamamen aynı, sadece NN durumunda, olacak optimize edicide ağırlıklar yerine giriş ve çıkışları seçmek için gereklidir.
Eğer iki nicelik bağımlıysa, bunlar ya ilişkili olabilir ya da ilişkisiz olabilir.
geri kalan her şey alternatif ve insancıllıktır.
Sonunda anladılar))) Korelasyon sadece doğrusal bir bağımlılık verir ve NS'nin bununla hiçbir ilgisi yoktur, ayrıca lütfen "doğrusal olmayan regresyon için korelasyon" ve "doğrusal olmayan korelasyon" ile karıştırmayın, korelasyon:
geri kalan her şey alternatif ve insancıllıktır.
Yine kırk beş....
Garip bir insansınız - gönderinizin üstünde, siyah beyaz iki mesaj siyah beyaz olarak yazılmıştır, bir korelasyonun varlığının veya yokluğunun hiçbir şekilde bağımlılığın varlığı anlamına gelmediği ve yine korelasyonun bir şey "verdiği" birisi.
ellerim düşüyor...
Yine kırk beş....
Garip bir insansınız - gönderinizin üstünde, siyah beyaz iki mesaj siyah beyaz olarak yazılmıştır, bir korelasyonun varlığının veya yokluğunun hiçbir şekilde bağımlılığın varlığı anlamına gelmediği ve yine korelasyonun bir şey "verdiği" birisi.
ellerim düşüyor...
Bunu belirttiniz:
Tüm ML, girdi değişkenlerinin çıktı değişkeni ile ilişkili olması gerektiği gerçeğine dayanır.
Aksi takdirde, TÜM MO modellerinde hiçbir anlamı yoktur.
Veri Madenciliğinde, MODEL İÇİN DEĞİŞKEN SEÇİMİ TÜM MODELLERİNDE, girdi değişkeni ile çıktı değişkeninin maksimum korelasyon mekanizması uygulanır:
Yani, sonuna kadar batırılmış, rezil olmuş.
Shl "bir korelasyonun varlığı veya yokluğu, bağımlılığın varlığı anlamına gelmez" - yine - saçmalık. Korelasyon sadece bir DOĞRUSAL BAĞIMLILIĞIn varlığını gösterir, ancak korelasyonun göstermediği doğrusal olmayanlar da vardır.
Bunu belirttiniz:
Yani, sonuna kadar batırılmış, rezil olmuş.
Shl "bir korelasyonun varlığı veya yokluğu, bağımlılığın varlığı anlamına gelmez" - yine - saçmalık. Korelasyon sadece bir DOĞRUSAL BAĞIMLILIĞIn varlığını gösterir, ancak korelasyonun göstermediği doğrusal olmayanlar da vardır.
Birisi bilimsel olarak birini yuvarladığında zevk alıyorum :))
Shl "bir korelasyonun varlığı veya yokluğu, bağımlılığın varlığı anlamına gelmez" - yine - saçmalık. Korelasyon sadece bir DOĞRUSAL BAĞIMLILIĞIn varlığını gösterir, ancak korelasyonun göstermediği doğrusal olmayanlar da vardır.
Yanlış bir korelasyonun klasik bir örneği vardır - ABD havuzlarında boğulan insan sayısı, Nicolas Cage'in ektiği filmlerin sayısı ile doğrudan ve güçlü bir şekilde ilişkilidir.
Bir korelasyon var - BAĞIMLILIK nerede?