Makale: Sinir Ağlarını Kullanarak Fiyat Tahmini - sayfa 12
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
Burada tartışılabilecek başka bir şey var - NS'deki optimal sinaps sayısı. Genel değerlendirmelerden, çok fazla olmaması gerektiği açıktır, aksi takdirde sinir ağı yeniden eğitilecektir. Ancak, bunlardan birkaçı da olmamalıdır, aksi takdirde ağ yeterince eğitilmeyecektir. Literatürde bu konuda farklı görüşlerle karşılaştım, bu yüzden forumun saygın üyelerinin bakış açısını bilmek istiyorum.
Ağın öğrenme yeteneği, sinaps sayısına bağlıdır. Ağ topolojisini hesaba katacak bir öğrenme yöntemi geliştirmek için birkaç kez denedim, ancak işe yaramadı.
Tamam, ama bir teori istiyorum.
İşte yüksek sesle düşünceler. N girdili tek katmanlı bir sinir ağı için, ağırlıkları, doğrusal olmayan denklemlerin genel durumunda N sistemini benzersiz şekilde belirleyen N sinapsımız var. Böyle bir sistemi çözmek için, her biri N elemandan oluşan N vektörden oluşan bir eğitim setine ihtiyacımız olduğu açıktır. Bu durumda, başka bir şekilde çalışmayacaktır. İki katmanlı bir sinir ağı ile, girdilerin sayısı toplam eğitim vektörleri sayısından N'ye n'den az olmalıdır, burada n, ikinci katmandaki sinaps sayısıdır. bu nedenle, eğitim vektörlerinin uzunlukları Nn'dir.
3 katmanlı bir NN için, akıl yürütme sırası aynıdır.
Böylece:
1. İhtiyacımız olan daldırma derinliğine dayanarak, Millet Meclisi'nin giriş boyutunu belirliyoruz.
2. Ayrıca, sinir ağının mimarisini (katman sayısı) hesaba katarak, sinaps sayısını sayarız ve eğitim setinin optimal boyutunu elde ederiz.
En önemlilerinden biri (bence) veri hazırlığıdır, bunun için
1. Girdilerin korelasyonunu azaltmaya çalışın. Başka bir deyişle, girdiler mümkün olduğunca istatistiksel olarak bağımsız olmalıdır.
2. Ayrıca, girdi vektörlerini normalleştirirken, entropide bir artış elde etmek gerekir - böylece aynı miktarda girdi verisini korurken NN'ye sağlanan bilgi miktarını arttırır.
Zorunlu veri kalitesi kontrolü, örneğin Kolmogorov-Smirnov yöntemi veya / ve Hurst üssü
Ağ mimarisi seçimi hatayı azaltabilir.
Girişlerin beyazlatılması ve normalleştirilmesi ile her şey açıktır. İlköğretim. Ancak optimal giriş sayısı (daldırma derinliği) nasıl belirlenir? Sadece deneysel mi? Bu konuyla ilgili görüşler var. Girdi sayısında yerel bir optimum olduğunu gösterebilirim. Az olmamalılar, ama çok fazla da olmamalılar. Kural olarak, optimum 3-5 giriş bölgesindedir. Teori bu konuda ne diyor?
Girişlerin beyazlatılması ve normalleştirilmesi ile her şey açıktır. İlköğretim. Ancak optimal giriş sayısı (daldırma derinliği) nasıl belirlenir? Sadece deneysel mi? Bu konuyla ilgili görüşler var. Girdi sayısında yerel bir optimum olduğunu gösterebilirim. Az olmamalılar, ama çok fazla da olmamalılar. Kural olarak, optimum 3-5 giriş bölgesindedir. Teori bu konuda ne diyor?
Teori diyor ki - sadece rastgele, yani deneysel olarak. Ana bilgi içeriği.
Söylediklerin üzücü.
Sorunun boyutu (küresel olarak), ne yazık ki, NN'nin optimal parametreleri sorusuna rastgele yöntemle tatmin edici bir cevap alınmasına makul bir sürede izin vermiyor. Aklı çalıştırıp kriterler doğurabilir miyiz?
Genel olarak, ağın çalışması büyüleyici! Burada, deney için, dört girdili ve çıktıda doğrusal olmayan küçük (tek katmanlı) bir ağ attım.
Girişine keneler koyuyorum ve her tikte onu yeniden eğitiyorum ve bir tık ileride bir tahminde bulunuyorum. Kahretsin, tahmin ediyor! Şek. kırmızı - ticker, mavi - tahmin.
Tabii ki, tahmin için seçilen serinin asfaltta iki parmak kadar basit olduğunu anlıyorum, ancak ağ da temel.
NeuroSolutions'da çalışıyorum ve orada ağ boyutunu ve daldırma derinliğini seçmek mümkün
ICQ'da daha iyi (profil bakın)
Dobrovo vam vremia sutok ve izvinite za translit.
Ja nacinajuscij treider, hayır bolsim bagazom programirovanija. U menia vopros k vam, otnositelno neironnix setej.
Procitav ves konu forumları, mne bolee menee stalo jasno k cemu vse klonitsya ispolzuja neironnije seti, ve potomu voprosi, dumaju, bolee konkretnije.
Dannie
1. Imeetsia kucia signalov s odinakovim cislom paramtrov ve konkretnij slucaj. - eto kak bi vxod neiroseti
2. Imeetsia rezultat - serii xoroso/ploxo'dur
Itak - vozmozno li, ispolzuja neiroset polucit otvet neiroseti v buduscem po etoj modeli - novije dannije - otvet - xoroso veya ploxo? Kakije trudnosti obucenija NN vozmozni ve etoj şeması?
Udovletvoriajuscij menia rezultat bilo bi virozenije silli v nabore signalov s raznimi parametrami (slaboje ili silnoje) v konkretnom sluciaje.