Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 608
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
Ulusal Meclis'ten bir topluluk gibi görünüyor
Eğer yanılmıyorsam
Ardından, tüm bu adımları (5 model eğitin, her model için benzersiz 5 parça tahmin edin, bunları birleştirin, R2) her yaptığımızda model parametrelerini (aktivasyon işlevi, katman sayısı ve boyutları vb.) seçiyoruz ve her zamankinden daha iyi bir sonuç elde ediyoruz. tahmin etmek.
Kurmak ve eğitmek için yüzlerce ağ var! Ama şu ana kadar başka bir seçenek yok
Bence ona yazarsan ve saat başına bir parça dolar teklif edersen, o zaman Perchik'ten bireysel ders alabilirsin, Perepelkin biraz daha pahalı çıkacaktır, ama buna değer
kahretsin, biber konusunda ciddi misin? teneke)
hilecinin yanlış kullandığı sürücü komisyonu ödemek
İkincisi hakkında hiçbir şey bilmiyorum .. ve bilmek istemiyorum)
kısacası bütün bunlar ilginç ama bu hafta uyumanın ve kitap okumayı bitirmenin zamanı geldi
Ulusal Meclis'ten bir topluluk gibi görünüyor
Eğer yanılmıyorsam
Sonunda, her zamanki topluluğu elde edersiniz, evet. Ancak sonuç, "tüm plaka üzerinde sadece 5 nöron eğitmek" ile karşılaştırıldığında çok daha iyi olacaktır.
Eh, evet, standart seçenek, metrekaresiz tercih etmeme rağmen zaten yazdım ...
Doktor, dikliği farklı parametrelerle düzeltmeye çalış ve test et.
LibreOffice'im var, o nöron içinde çalışmadı.
İnşa etmek ve eğitmek için yüzlerce ağ var! Ama şu ana kadar başka bir seçenek yok
Bu nedenle, örneğin R'deki gbm paketini seviyorum, öğrenme oranı çok daha yüksek. Bu bir nöron değil, bu iskele ve güçlendirici.
Ayrıca, k-kat çapraz doğrulamanın az sayıda nöron eğitimi dönemi ile benim için iyi çalışması da ilginçtir. Dönem sayısı, aldığım eğitim parametrelerinden biriydi. Az sayıda dönem = hızlı öğrenme, bu bir artı. Ancak modelin olası doğruluğu daha düşüktür, bu bir eksidir.
K-kat çapraz doğrulamayı öğrenmenizi tavsiye ederim. Birkaç farklı yol gördüm, bu iyi çalışıyor -
...
Ayrıca, nöronun ilk ağırlıklarının rastgele ayarlandığı ve eğitimin nihai sonucunun orman ve diğer modeller de dahil olmak üzere büyük ölçüde buna bağlı olabileceği konusunda bir nüans vardır.
Modeli her eğitmeden önce , rastgele sayı üretecinin değerini aynı duruma ayarladım:
set.seed( 12345 )Böylece sonucun tekrarlanabilirliğini ve kararlılığını elde ederim. 12345 yerine gpsch tanesinin değeri de seçilebilir, ki bu kulağa oldukça komik gelse de bazen gerekli olabilir.
Ayrıca, nöronun ilk ağırlıklarının rastgele ayarlandığı ve eğitimin nihai sonucunun orman ve diğer modeller de dahil olmak üzere büyük ölçüde buna bağlı olabileceği konusunda bir nüans vardır.
Modeli her eğitmeden önce , rastgele sayı üretecinin değerini aynı duruma ayarladım:
Böylece sonucun tekrarlanabilirliğini ve kararlılığını elde ederim. 12345 yerine gpsch tanesinin değeri de seçilebilir, ki bu kulağa oldukça komik gelse de bazen gerekli olabilir.
Ağınızı rng değerlerine böyle tepki verdiği için çöp kutusuna atın. Normal bir ağ, sıfır olanlar da dahil olmak üzere herhangi bir başlangıç değeri için çalışır ve öğrenir.
Bu nörona çok sayıda nöron ve katman ve sonsuz eğitim dönemi verilirse, herhangi bir ilk tohumla sorunsuz bir şekilde gerekli doğrulukta eğitim alacaktır.
Örneğin, bir barın fiyatındaki artışı tahmin etmeyi öğreniyorum. Sorun şu ki, fiyatlarda çok fazla gürültü var (gerçek fiyat + - bazı rastgele değişimler) ve gürültüyü tahmin etmek imkansız. Ancak çapraz doğrulamayı kullanarak, modelin gürültüyü henüz hatırlamaya başlamayacağı, ancak bir şekilde bu verileri genelleştireceği ve en azından küçük bir vaka yüzdesinde doğru bir şekilde tahmin edeceği parametreleri seçebilirsiniz . Ve ağırlıkların bazı başlangıç değerleri için, model bu verileri bir şekilde genelleştirmeye çalışmak yerine gürültüyü hemen hatırlamaya başlar, bu kötüdür ve sonra ağırlıkları başlatmak için başka bir başlangıç tahılı aramalısınız.
Ağınızı rng değerlerine böyle tepki verdiği için çöp kutusuna atın. Normal bir ağ, sıfır olanlar da dahil olmak üzere herhangi bir başlangıç değeri için çalışır ve öğrenir.
bu, dinamik sistemlerde statik yöntemleri kullanamayacağınızın başka bir açıklamasıdır.
Ayrıca bir setseed kullanıyorum, herhangi bir Moshka zaman zaman büyük ölçüde dalgalanıyor, en azından kalıntılarda fark ediliyor
Şimdi, kedi resimlerinde değil, zaman serilerinde öğrenmeye yönelik mimarileri ele alalım, birinci seçenek:
Seçenek 2:
yani, NS ve otomatların kombinasyonu, pozitif ve negatif arr ile iyi bir çözüm gibi görünüyor. bağlantıları ve bunu kimin ve nasıl uygulayacağı başka bir sorudur. Şahsen benim için bu yaklaşım en bariz olanıdır.