Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 48
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
RNeat ile biraz daha deney yaptım ve onunla sıradan sinir ağlarıyla aynı şekilde çalışmanın imkansız olduğu sonucuna vardım.
Paylaşım için teşekkürler, çok ilginç...
Örneğinizi iris ile aldım ve verilerime uyacak şekilde yeniden yaptım ve anlamadığım bir hata aldım. Söyleyin lütfen, irislere ek olarak verilerinizi değiştirmeyi kesinlikle denediniz, normal ağla karşılaştırıldığında sonuçlar nelerdi?
RNeat ile biraz daha deney yaptım ve onunla sıradan sinir ağlarıyla aynı şekilde çalışmanın imkansız olduğu sonucuna vardım.
1) Geleneksel modellerin aksine, RNeat eğitimi ham veri kullanmaz. Model rastgele oluşturulur, geliştirilir ve yalnızca sonunda orijinal veriler üzerinde test edilir. Genellikle modeller ilk verileri kullanır, mantıklarını üzerlerine kurar ve ardından doğrulama setinde modelin mantığının doğru olup olmadığını veya sadece orijinal örnekleri ezberleyip hatırlamadığını öğrenebilirsiniz. Diğerlerinden farklı olarak, RNeat orijinal verileri hiç hatırlayamıyor çünkü onları bilmiyor, tüm model gerekli sonuçları ve onlara ne kadar yakın olduğunu biliyor.
2) çapraz doğrulama, ön testin sonuçlarını iyileştirmeye yardımcı olmaz. Sıradan bir modeli eğitmenin, birkaç çapraz doğrulama yürütmenin ve modelin son uygunluk değerlendirmesi için tüm örneklerdeki hataları bir şekilde ele almanın mümkün olduğu konusunda hepimiz hemfikiriz. RNeat orijinal veriyi bilmediğinden, verinin hangi örneklemde olduğu veya eğitimde olduğu önemli değil, her durumda mantığını istenen sonuca göre ayarlayacaktır. Teorik olarak, uygunluk fonksiyonunda kullanılan tüm örneklerde "öğrenecek" (daha doğrusu mutasyona uğrayacak :)). Mümkün olan tek şey, modeli gerekli doğrulukta eğitmek ve forex için oldukça riskli bir yaklaşım olan aşırı zorlamamasını ummaktır. Çapraz doğrulama, ön testteki olası sonucun nihai değerlendirmesi olarak yalnızca eğitimden sonra kullanılabilir ve bu doğrulama seti hiçbir durumda uygunluk fonksiyonu içinde kullanılmamalıdır.
Söyleyin lütfen, irislere ek olarak verilerinizi değiştirmeyi kesinlikle denediniz, normal ağla karşılaştırıldığında sonuçlar nelerdi?
Forex'ten değiştirilen veriler (yıl için eurusd d1), model bir gündür çalışıyor, kendi en iyi tahminini gösteriyor = 0,017 (ne kadar çok o kadar iyi, süsen için 0,7 idi). Şimdiye kadar gerçekten hiçbir sonuç yok, model eğitim verilerinde bile %50 hata gösteriyor, birkaç gün daha eğitime bırakacağım.
Çapraz doğrulamada eğitim parametreleri seçilir. Bu NS'nin herhangi bir parametresi var mı? Olmalı.
Model, giderek daha fazla nöron ekleyerek giderek daha karmaşık hale gelir. Büyümelerini sınırlamak için maksimum nöron sayısı için bir parametre vardır. İkinci parametre ise genetikteki birey sayısını belirler. Genellikle her ikisi de, ne kadar iyi olursa, bellek ve zamandan tasarruf etmek yerine kısıtlama getirilir, kendiniz için izin verilen maksimum değeri kullanmak ve seçmemek daha iyidir.
Modelde, açıklamalara bakılırsa, her nöron ve aralarındaki bağlantılar için bir fiyat var, bu yüzden kendisi mümkün olduğunca az nöron kullanma eğiliminde. Eğitim başarılı olursa, model maksimum nöron sayısına ulaşmadan gerekli doğruluğa ulaşacaktır.
Forex'ten değiştirilen veriler (yıl için eurusd d1), model bir gündür çalışıyor, kendi en iyi tahminini gösteriyor = 0,017 (ne kadar çok o kadar iyi, süsen için 0,7 idi). Şimdiye kadar gerçekten hiçbir sonuç yok, model eğitim verilerinde bile %50 hata gösteriyor, birkaç gün daha eğitime bırakacağım.
Sınıflandırma modellerinin değerlendirilmesi üzerine ilginç bir makale .
Modeli tahmin edicilerin bir alt kümesinde değerlendirmek için 3 farklı metrik denedim: Bu makaledeki gibi doğruluk; R^2 modelleri; ve sadece ortalama model hatası ortalama(abs(yx)/(max(y)-min(y))), burada X tahmin sonuçlarının vektörüdür ve Y istenen sonuçlardır).
Uygunluk fonksiyonları için doğruluk oldukça uygundu, ancak örneklemde çok fazla örnek olmadığı için bir sorun yaşadım, doğruluk çok basamaklı çıkıyor. İki benzer kaliteli model aynı sonucu verdi. Ancak çok sayıda eğitim ve doğrulama örneği varsa, bu iyi bir ölçüm olacaktır. Makaledeki metriklerin geri kalanı hakkında hiçbir şey söyleyemem.
R^2 genellikle garip davrandı, sonuçların %50'sinden fazlasının doğru olmasına rağmen olumsuz bile olabilir, genel olarak beğenmedim.
Ortalama hata bana en uygun olanıydı. 0 veya 1 sınıflarına yuvarlamadan önce bile, formülde regresyon sonucunu değiştirdiğim için doğrulukta olduğu gibi adım atma mevcut değil. regresyon sonucu çok "istenen sonuçlara daha yakındır.
birçok tahminci?
yaklaşık 400
Burada, az ya da çok, Fourier spektral analizini anlayan adamlar var. yardıma ihtiyacım var
Ve anlaşılmaz ne var? Periyodik fonksiyonu harmoniklere ayrıştırır ve spektrumu elde ederiz.
Öyle, ama benim farklı bir görevim var ...
Birbirine yakın olan, yakınlığın korelasyon, Öklid metriği vb. ile ölçülebildiği alanlar için VR'de benzerlikler bulmam gerekiyor. Deneylerime göre bu tür metriklerin görevime uygun olmadığını fark ettim, sanırım genlikler, fazlar, frekanslar üzerinden yakınlık aramak çok iyi.. Ama bunun nasıl yapıldığı hakkında hiçbir fikrim yok, o yüzden soruyorum, belki birileri bilir, evet, ne, ne doğru, ne değil, nasıl olmalı
Not: Prensipte boğulmamak için kişisel olarak da yapabilirsiniz, konuşma bu konunun konusu değildir ve kimsenin ilgisini çekmesi olası değildir.
Ve anlaşılmaz ne var? Periyodik fonksiyonu harmoniklere ayrıştırır ve spektrumu elde ederiz.
Ayrıca, periyodik olmayan tek bir dürtüyü de genişletebiliriz)