Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 610
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
Darch() işlevinin içinde varsayılan olarak bir seed = NULL parametresi vardır. bir duruma ayarlayın, örneğin tohum = 12345.
Bu, küçük bir LearnRate değeridir. RBM ve NN için LearnRate = 0.7, numEpochs = 10 ile başlayın. Ancak bu, tavan verileridir. Belirli bir veri kümesi için optimize etmeniz gerekir.
İyi şanlar
Ve bir topluluk oluşturmak istiyorsanız, set.seed()'i kaldırmak daha iyidir, değil mi? Izgaraları farklı kılmak için. Veya set.seed(N ağlar) - tüm grubun tekrarlanabilirliği için.
Evet bu doğru. Bu tür karmaşık modellerden oluşan bir topluluk (darch demek istiyorum) 3-5 parçadan fazlasını içeremez. Ve çok farklı olmalılar. Onlar. farklı parametre değerlerine sahip olmaları gerekir (katman sayısı, nöron sayısı, aktivasyon fonksiyonları vb.) veya (şimdi çok fazla seçenek anlatmayacağım). Farklı ilk başlatma ile eğitilmiş aynı yapıya sahip bir topluluğun bir varyantı olabilir, ancak zayıftır. En azından ilk başlatmanın farklı görünmesini sağlayın.
İyi şanlar
Evet bu doğru. Bu tür karmaşık modellerden oluşan bir topluluk (darch demek istiyorum) 3-5 parçadan fazlasını içeremez. Ve çok farklı olmalılar. Onlar. farklı parametre değerlerine sahip olmaları gerekir (katman sayısı, nöron sayısı, aktivasyon fonksiyonları vb.) veya (şimdi çok fazla seçenek anlatmayacağım). Farklı başlangıç başlatma ile eğitilmiş aynı yapıya sahip bir topluluğun bir varyantı olabilir, ancak bu zayıftır. En azından ilk başlatmanın farklı görünmesini sağlayın.
İyi şanlar
En iyi yapıyı belirlemek için işlemciyi aynı verileri kullanarak bir dizi eğitim üzerinde çalıştırırsanız, sonuçları bir topluluğa yerleştirmek daha iyidir. En basit seçeneği düşünürsek - nöron adımı 5 veya yüzde olan bir ızgara (böyle bir adımla, modeller iyi farklılık gösterecektir), o zaman sonuçlardan en iyi 3-5 veya 10 sonucu alın ve ortalamasını alın. Aynı şekilde, modeller zaten inşa edilecek ve hesaplanacak, boşuna boşa harcamak ne güzel? ))
En iyi yapıyı belirlemek için işlemciyi aynı verileri kullanarak bir dizi eğitim üzerinde çalıştırırsanız, sonuçları bir topluluğa yerleştirmek daha iyidir. En basit seçeneği düşünürsek - nöron adımı 5 veya yüzde olan bir ızgara (böyle bir adımla, modeller iyi farklılık gösterecektir), o zaman sonuçlardan en iyi 3-5 veya 10 sonucu alın ve ortalamasını alın. Yine de, modeller zaten inşa edilecek ve hesaplanacak, boşuna boşa harcamak ne güzel? ))
Genel olarak bu modellerle aranız nasıl? tırmanmaya değer mi? :) ve sonra tartışma devam ediyor ve kimse sonuçları açıklamıyor
belki perceptron veya gbm ile karşılaştırıldığında bazı banklar. Tabii ki forex için.
:) ve sonra tartışma devam ediyor ve kimse sonuçları açıklamıyor
Genel olarak bu modellerle aranız nasıl? tırmanmaya değer mi? :) ve sonra tartışma devam ediyor ve kimse sonuçları açıklamıyor
Test sitesinde, çoğu gibi, hata %50'nin eşiğinde. Ama en azından Alglib'den on kat daha hızlı sayar. Burada modeli hesaplamak 40-100 dakika sürdüyse, Alglib'de aynı yapı için bir günden fazla bekledim, beklemedim ve hesaplamayı kapattım.
Şimdi bir döngüde modelleri seçmeniz gerekse de, yine çok zaman alacak .... Bu işi de programlamanız gerekiyor.
Genel olarak, MO'da kendinize zaman sınırları koymadığınız için bu uzun bir süredir.
İlginç - işte kazıyorum)
Sonuç olarak kâr tablosunu düşünürsek, sonuç olmaz. Ve çoğunluğun, bu dalda bile, kâr tablosu dışında hiçbir şeye ihtiyacı yoktur. Tek kanıt, başkalarını anlamamamızdır.
derinliklere dalmış gibi görünmüyordun
Test sitesinde, çoğu gibi, hata %50'nin eşiğinde. Ama en azından Alglib'den on kat daha hızlı sayar. Burada modeli hesaplamak 40-100 dakika sürdüyse, Alglib'de aynı yapı için bir günden fazla bekledim, beklemedim ve hesaplamayı kapattım.
Şimdi bir döngüde modelleri seçmeniz gerekse de, yine çok zaman alacak .... Bu işi de programlamanız gerekiyor.
yani, özelliklerin seçimi hala ana sorun olmaya devam ediyor :) ama en azından daha hızlı öğreniyor ve bu iyi
Yani, özelliklerin seçimi hala ana sorun olmaya devam ediyor :)
ve modelin özellikleri ve yapısı da ortaya çıkıyor
1. Optimizasyon hakkında ne konuşuyorsunuz? Ne platosu? Hangi model hakkında? Bir sinir ağından bahsediyorsanız, kullanmadan önce DNN'yi eğitmemek (parametreleri optimize etmemek) garip olurdu.
2. Modelin(?) hangi parametreleri kararlı olmalıdır?
Düşüncelerinizi anlamadım.
Test cihazında değil, hatasız yapılması gereken DNN hiperparametrelerinin optimizasyonundan bahsettim.
Optimizasyondan mı bahsediyorsunuz?
Diğer her şeyi optimize etmek için bir kriter olarak performansı modelleyin
Ne platosu?
Performans platosu
Hangi model hakkında?
herhangi bir model
Bir sinir ağından bahsediyorsanız, kullanmadan önce DNN'yi eğitmemek (parametreleri optimize etmemek) garip olurdu.
Ve bir zamanlar size sorduğum ana soru bu: eğitim sonuçlarının (parametrelerin optimizasyonu) girdi tahmin edicilerinin durağan olmamasına nasıl bağlı olduğu. Cevabınız hayırdı. Bu benim için net değil, çünkü NN'lerin sürekli olarak yeniden eğitilmesi gerekiyor, bu da durağanlığa yanıt verdikleri anlamına geliyor, bu da model parametrelerinin rastgele değişkenler olduğu anlamına geliyor, bu da parametre durağanlığı sorunu olduğu anlamına geliyor. Yani tüm ihtişamıyla GARCH'ta tartışılan her şey, ancak bir nedenden dolayı sınıflandırmada tartışılmıyor.