Makale: Sinir Ağlarını Kullanarak Fiyat Tahmini - sayfa 13
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
Dobrovo vam vremia sutok ve izvinite za translit .
Üzgünüm!
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.
Akıl yürütme iyi, ancak ampirik... yani. sadece üzerlerindeki girdi verilerinin tipine ve temsiline bağlı olacak bir algoritma oluşturmak zordur.
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.
Katılmıyorum, herhangi bir veri dönüşümü orijinal örneğin bilgi içeriğindeki bir değişikliktir. Veri değişikliği kriterini değerlendirmenizi sağlayan kriter nerede? NS ile ilgilenen herkesin bir sonraki NS patlaması sırasında meydana gelen eski şakayı bildiğini düşünüyorum. ABD ordusu NA'yı yerden yere yangın sistemleri için kullanmaya çalıştığında. Bileşenlerden biri, çok başarılı bir şekilde öğrenen örüntü tanıma ağıydı, vb. Ama nedense yağmurlu havalarda tankları tanıdı ve farklı bir peyzaj yapısına sahip verilerle sunulduğunda, tanrısız bir şekilde yanılmıştı. Bunun nedeni, ağın araziyi iyi tanımayı öğrenmesiydi, ancak tankı değil.
Veri değiştiğinde sorun aynı olabilir - ağ yalnızca normalleştirme serisiyle ilgili dizileri (modları) seçecektir, çünkü prensipte normalleştirme sürecinin kendisini zaman serisinin dalgalanmalarının bir bileşeni olarak görebiliriz.
Bu, iki NN'nin tahmin yeteneğinin test edilmesinin sonuçlarını sunar.
Şek. kırmızı, orijinal zaman serisini (VR) gösterir, mavi - doğrusal tek katmanlı bir ağın 1 bar ilerisi için tahmin, yeşil - doğrusal olmayan iki katmanlı. Daldırma derinliği her iki durumda da aynıdır. Bu yapay durum için, VR'nin trend bölümünde tahmin verilerinin gözle görülür bir şekilde tutulduğu görülebilir. Merak ediyorum, deneyimli meslektaşlarımın bu etkiye sahip olup olmadığını ve eğer öyleyse, bunun neyle ilgisi olabilir?
rip писал (а):
Katılmıyorum, herhangi bir veri dönüşümü orijinal örneğin bilgi içeriğindeki bir değişikliktir. Veri değişikliği kriterini değerlendirmenizi sağlayan kriter nerede? NS ile ilgilenen herkesin bir sonraki NS patlaması sırasında meydana gelen eski şakayı bildiğini düşünüyorum. ABD ordusu NA'yı yerden yere yangın sistemleri için kullanmaya çalıştığında. Bileşenlerden biri, çok başarılı bir şekilde öğrenen örüntü tanıma ağıydı, vb. Ama nedense yağmurlu havalarda tankları tanıdı ve farklı bir peyzaj yapısına sahip verilerle sunulduğunda, tanrısız bir şekilde yanılmıştı. Bunun nedeni, ağın araziyi iyi tanımayı öğrenmesiydi, ancak tankı değil.
Veri değiştiğinde sorun aynı olabilir - ağ yalnızca normalleştirme serisiyle ilgili dizileri (modları) seçecektir, çünkü prensipte normalleştirme sürecinin kendisini zaman serisinin dalgalanmalarının bir bileşeni olarak görebiliriz.
söylemekten mutlu değilim. Bu çoğunluğun görüşüdür. Dan memnun oldum.
rip yazdı:
Katılmıyorum, herhangi bir veri dönüşümü orijinal örneğin bilgi içeriğindeki bir değişikliktir. Veri değişikliği kriterini değerlendirmenizi sağlayan kriter nerede? NS ile ilgilenen herkesin bir sonraki NS patlaması sırasında meydana gelen eski şakayı bildiğini düşünüyorum. ABD ordusu NA'yı yerden yere yangın sistemleri için kullanmaya çalıştığında. Bileşenlerden biri, çok başarılı bir şekilde öğrenen örüntü tanıma ağıydı, vb. Ama nedense yağmurlu havalarda tankları tanıdı ve farklı bir peyzaj yapısına sahip verilerle sunulduğunda, tanrısız bir şekilde yanılmıştı. Bunun nedeni, ağın araziyi iyi tanımayı öğrenmesiydi, ancak tankı değil.
Veri değiştiğinde sorun aynı olabilir - ağ yalnızca normalleştirme serisiyle ilgili dizileri (modları) seçecektir, çünkü prensipte normalleştirme sürecinin kendisini zaman serisinin dalgalanmalarının bir bileşeni olarak görebiliriz.
söylemekten mutlu değilim. Bu çoğunluğun görüşüdür. Dan memnun oldum.
Fikir bir fikirdir, ancak pratikte her şey farklıdır. Ağ mimarisini optimize etmek için bir genetik algoritma kullanmayı denedim, sonuç ilginç - ama hesaplaması çok uzun zaman alıyor.
İşte ağın öngörücü gücünün başka bir karşılaştırması.
Bu, tek katmanlı doğrusal olmayan (mavi çizgi) ve iki katmanlı doğrusal olmayan sinir ağlarını bir adım önde tahmin etmeye yönelik bir çalışmadır. Tek bir katmanın daha iyi göründüğü yer burasıdır.
Bu test sonuçlarını diğer NN mimarilerinin sonuçlarıyla karşılaştırmak ilginçtir. Karşılaştırma için sonuçlarını yazabilecek olan var mı?
rip писал (а):
Fikir bir fikirdir, ancak pratikte her şey farklıdır. Ağ mimarisini optimize etmek için bir genetik algoritma kullanmayı denedim, sonuç ilginç - ama hesaplaması çok uzun zaman alıyor.
Yaklaşık bir gün çok fazlaysa, evet. Ağlarla çalışırken (onları kullanırken) bunun bir kez yapıldığını lütfen unutmayın.
nötron için
Henüz bir sonuç yok, neyin ne olduğuna yavaş yavaş ilerliyorum.
Sondan bir önceki gönderiye gelince (ilk resimle birlikte), söylemek istediğinizi anlamaya çalışıyorum.. Şahsen gözle görülür bir gecikme görmedim. Aksine, belirli bir örüntünün olduğu alanlarda, (ağ) bunu çok kötü bir şekilde ortaya çıkarmaz ve hatalar sadece eğilimlerin kırılma noktalarındadır (ve burada rastgeledirler, iyi ya da örnek boyutu yetersizdir. görünümlerinde belirli bir kalıp oluşturun).