Bir mayın tarlasında pazar görgü kuralları veya görgü kuralları - sayfa 70
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
Doğru, dağılım çok büyük, istatistikleri artırmanız gerekiyor.
Belki alıntının saatlik bir dökümü için bu oldukça normal bir fenomendir? İstatistikleri 1000'e çıkardım. Sonuç biraz daha düşük. Şimdi d için istatistikler zaten hesaplandı, bittiğinde size göstereceğim.
Daha doğrusu, yarı durağan olmama gerçeğinin ifadesinden, piyasanın tam etkinliği değil.
Evet, anlıyorum ve benim için de daha mantıklı. Yine de, bir kelime oyununda "yarı durağan olmayan" kelimesini kullanırdım, böylece tahminciler daha uzun süre acı çekerdi. :)
Wiener'de d için istatistikler:
K = 2 ise, daha güzel çıkıyor (Wiener'de). Her yere K = 1 koydum çünkü kız onunla daha iyi çalışıyor ve daha iyi çalışıyor (önemli ölçüde)
Ve bu, kotirin 1000 deneyi içindir (K = 1)
Wiener'de d için istatistikler:
Pirinç. pek bilgilendirici görünmüyor. Tek bir fotoğrafta göster. yalnızca eğitim numunesi ve test numunesi için girdi boyutunun bir fonksiyonu olarak teğetler ve y ekseni boyunca otomatik ölçeklendirmeyi ayarlayın.
Peki tamam mı?
Şimdi ne elde ettiğinizi açıklayın.
Resminize bakarsanız. Wiener için tanjantın türetildiği yer:
Eğitim seti için değerini görsel olarak tg=1/2 olarak tahmin etmek zor değildir. Son resminize bakarsanız, tg değerleri asla 0.1 seviyesini geçmez.
Yorum.
Bunun nedeni, ortaya çıkan tanjantı, aynı zamanda yanlış hesaplanmış olan Wiener uçuculuğu ile çarpmış olmamdır (okumalardaki fark, kare alınmadan toplanmıştır)
Bu resimler K=1 içindir.
Şimdi tebrikler!
Tek katmanlı bir NN kodunun doğru çalıştığı görülebilir - rastgele bir süreçte sıfırlarla (daha fazla istatistik eklersek) ve bir pazar VR'sinde sıfırdan istatistiksel olarak önemli ölçüde farklı bir şey. Artık evrensel bir tahmin edici (iki katmanlı doğrusal olmayan NN) ile çalışmaya devam edebilir ve sonuçları doğrusal bir nöronun çalışmasıyla karşılaştırabilirsiniz. Yalamadan sonra, gizli katmandaki farklı nöron sayılarına sahip geri dönüşleri karşılaştırmak ve farklı girdilerle deney yapmak mümkün olacaktır.