Ticarette sinir ağlarının kullanılması. - sayfa 5
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
Her ne kadar piyasadaki sinir ağlarıyla uğraşmasam da, kişisel olarak, sıradan doğrusal normalleştirmenin birim varyansa normalleştirmeden daha iyi olacağını önermeye cüret ediyorum, çünkü boşluğu değiştirmeden ağı yeni veriler üzerinde yeniden eğitmek çok daha iyi olmalı. Seriyi merkeze indirgeyerek doğal olarak yapılamayan yeni verilerin potansiyel dağılımı. Böyle bir normalleştirme ile, ağdaki her şeyi, hatta ağırlık katsayılarını bile, yani ağı yeniden eğitmeli ve ağırlık katsayılarını iyileştirmemelidir. Ama bu böyle, bir varsayım. Kontrol edilmesi gerekiyor.
Her ne kadar piyasadaki sinir ağlarıyla uğraşmasam da, kişisel olarak, sıradan doğrusal normalleştirmenin birim varyansa normalleştirmeden daha iyi olacağını önermeye cüret ediyorum, çünkü boşluğu değiştirmeden ağı yeni veriler üzerinde yeniden eğitmek çok daha iyi olmalı. Seriyi merkeze indirgeyerek doğal olarak yapılamayan yeni verilerin potansiyel dağılımı. Böyle bir normalleştirme ile, ağdaki her şeyi, hatta ağırlık katsayılarını bile, yani ağı yeniden eğitmeli ve ağırlık katsayılarını iyileştirmemelidir. Ama bu böyle, bir varsayım. Kontrol edilmesi gerekiyor.
Ağım her 24 saatte bir yeniden eğitiliyor. Bu bir artı mı eksi mi bilmiyorum. Ama funkchit'e kadar.
Prival-a'ya analitik bir biçimde keyfi bir dağılımdan (dikdörtgen) istenen dağılımın nasıl alınacağını sormak gerekir.
Privalich muhtemelen şimdi uyuyor, bu yüzden onun yerine cevap vermeye çalışacağım. [0,1] üzerinde düzgün dağılmış bir değere dayalı normal bir değer modellemesi yaptım. Bu durumda, düzgün dağılmış bir rastgele değişkenden Gauss integralinin tersi bir fonksiyonu hesaplamak gerekiyordu. Bu nedenle, normal dağılmış olandan düzgün dağılmış bir tane elde etmek için, ilkinden Gauss fonksiyonunun integralini hesaplamak gerekir.
Benzetme yoluyla, keyfi olarak dağıtılmış bir değerden düzgün bir şekilde dağıtılmış bir değer elde etmek için, önce birincinin integral dağılım işlevini bulmalı - ve bunu kelimeye uygulamalıdır. boy. Umarım çok fazla batırmamışımdır.
Merhaba Alexey .
Yavaş ve anlaşılır bir şekilde gidelim (özellikle benim için).
Böylece, Y=A*exp{-a*X} biçiminde üstel olarak dağıtılmış bir SW'ye sahibiz; burada X , NN girişine sağlanan verilerin genliğidir . Bir dizi girdi verisi X üzerinde hareket eden bir tür sihirli fonksiyon f(x) bulmak istiyoruz, bunların +/-1 segmentindeki dikdörtgen dağılımlarını elde etmemize izin veriyor. Bunun için şunları tavsiye edersiniz:
1. Gauss integralinin tersi bir fonksiyon bulun. Bulunan integral: Z=-A/a*exp{-а*Х }, şimdi tersi: X=1/a*ln(-A/a/Z)
Bu istenen f(x)=1/a*ln(-A/a/x) mi?
Ağım her 24 saatte bir yeniden eğitiliyor. Bu bir artı mı eksi mi bilmiyorum. Ama funkchit'e kadar.
Anladığım kadarıyla MQL'de değil mi?
Anladığım kadarıyla MQL'de değil mi?
Ağım, yeni bir girişten önce pazardan her çıkışta yeniden eğitilir.
Ağım, yeni bir girişten önce pazardan her çıkışta yeniden eğitilir.
Ağın yapısı nedir, kaç girdi, MQL'ye veya harici bir programa yeniden öğrenmek ne kadar sürer?
MQL'de birkaç düzine kod satırı ve 9 kB hacim.
Izgara 100/2/1, mimari isteğe bağlı olarak ölçeklenir (gizli katmanların sayısı dahil). Hipertanjantlı gizli katman/katmanlar, çıkış Al/Sat (işareti) gösterir. Yaklaşık 100 ms'de yeniden eğitir (yeniden eğitir).
Ne kadar uğraşırsam uğraşayım, gizli katmanda büyüyen nöronlar, hesaplama gücünde gözle görülür bir artış sağlamıyor, ancak öğrenmeyi önemli ölçüde zorlaştırıyor. Belki de bu özellikler belirli bir görevle ilgilidir ve sonuç genellenemez.
MQL'de birkaç düzine kod satırı ve 9 kB hacim.
Izgara 100/2/1, mimari isteğe bağlı olarak ölçeklenir (gizli katmanların sayısı dahil). Hipertanjantlı gizli katman/katmanlar, çıkış Al/Sat (işareti) gösterir. Yaklaşık 100 ms'de yeniden eğitir (yeniden eğitir).
Ne kadar uğraşırsam uğraşayım, gizli katmanda büyüyen nöronlar, hesaplama gücünde gözle görülür bir artış sağlamıyor, ancak öğrenmeyi önemli ölçüde zorlaştırıyor. Belki de bu özellikler belirli bir görevle ilgilidir ve sonuç genellenemez.
"Mimari keyfi olarak ölçeklenir" ile ne demek istiyorsun? Anladığım kadarıyla mimari bir ağ yapısı. Ölçekleme, bazı veri normalleştirme işlevlerinin kullanılmasıdır. 100 giriş çok fazla. Yoksa 100'ün başka bir şey mi?
Neutron писал(а) >>
Yavaş ve anlaşılır bir şekilde gidelim (özellikle benim için).
Böylece, üstel olarak dağıtılmış bir SW'ye sahibiz.
Tamam, Sergey , yavaş ve üzgün bir şekilde gidelim. İlk olarak, genel teoremlerle ilgilenelim. İşte stilko . Teorem 24, 25, 26'ya bakın.
Dikkat edin: Th 24'te dağılım yoğunluğu fonksiyonundan bahsediyoruz.
Ancak Th 25 tam olarak ihtiyacınız olanı yapar ve işte dağıtım işleviyle ilgili.
Eğlenmek için, ayrıca Th 26'daki sonuç 8'e bakın. Sonucun üçüncü formülü, tek tip olandan bir Gauss elde etmek istediğimde tam olarak bahsettiğim şeydi.
Ve üstel olarak dağıtılanlarınız için, dağıtım işlevini (integral) dikkatlice almanız ve Th 25'i uygulamanız yeterlidir.
Not Bu arada, Alıştırma 36'nın son cümlesi eğlendirildi ("(Gösterge: kimse bu şekilde anlamıyor)."). Ve ben, aptal, tam olarak nasıl anladım (Codebase'de bir stat fonksiyonları kütüphanesi var) ...