Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2300
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
Tabii ki komik - AUDNZD = AUD / USD / NZD / USD ilişkisini bulmak Ulusal Meclis için çok zor.
Paket çok buggy olsa da
Çarpım tablosunda olduğu gibi daha farklı örnekler vermeniz gerekiyor.
Orman çarpımı durumunda, en yakın eğitim örneklerinin ortalaması (örneğin 500) olacaktır. Kesin formül asla bulunamayacak.
Ormanda 2 eğitim örneği ve 2 ağaç için örnek.
eğitimli
6*4=24
6*7=42
modelini sorarsanız
6*6
o zaman bir sonrakini bulacak
6*4=24
6*7=42
Ve düşünün
(24+42)/2=66/2=33
6 * 5 için aynı şekilde cevap verecektir.
Eğitimde ara seçenekler ne kadar farklı olursa, cevap o kadar doğru olacaktır.
Evet
)))) Peki, ne istedin?
gizli katmanlar ekle
)))) Peki, ne istedin?
gizli katmanlar ekle
Görev neden bu kadar zor?
)))) Peki, ne istedin?
gizli katmanlar ekle
Bu nedenle, 10 katmanla %99 elde etmeniz pek olası değildir.
Görev neden bu kadar zor?
ve çıktı katmanının hangi aktivasyon fonksiyonu ile en iyi sonuç çıktı?
ve kaç çıkış nöronu? 1?
Görev neden bu kadar zor?
hayır, bir katman ilkeldir, yalnızca bir ağırlık çarpımıdır
Böyle basit bir görev için teorik olarak bir katman yeterlidir.
Bu nedenle, 10 katmanla %99 elde etmeniz pek olası değildir.
bu senin teorin
Böyle basit bir görev için teorik olarak bir katman yeterlidir.
Bu nedenle, 10 katmanla %99 elde etmeniz pek olası değildir.
eğer görev manuel olarak belirtilen ağırlıklar (ve aktivasyon fonksiyonları) ile %100 doğrulukla çözülebiliyorsa, gerekli minimum katman ve nöron sayısı vardır. daha az doğruluk çok daha düşük olabilir.
Bu görevi böyle anlıyorum.
Özelliğin önemiyle çalışmak için yeni bir özellik
boş zamanınızda dönmek zorunda kalacak
https://medium.com/bcggamma/gamma-facet-a-new-approach-for-universal-explanations-of-machine-learning-models-b566877e7812