Sinir ağının girdilerini beslemek için bir dizi gösterge arayın. Tartışma. Sonuç değerlendirme aracı. - sayfa 4
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
Ahem... maksimum öğrenme verimliliği için ağın girişlerinin istatistiksel olarak bağımsız olması gerektiğini, her girişe beslenen veriler arasında bir korelasyon olmaması gerektiğini unutuyorsunuz. Tüm arabalar kendi aralarında düzeltilir, kontrol edebilirsiniz. Oldukça kullanışlı ve basit bir yazılım var - AtteStat, Excel'in bir ekidir, ancak çok kullanışlıdır.
Ustaca olan her şey basit... Bunu kendim de düşünebilirim... Teşekkürler!!!
mevcut göstergeleri alıyoruz ve aralarındaki korelasyona bakıyoruz... analiz ediyoruz, düşünüyoruz, belki faydalı düşünceler ortaya çıkıyor :)
Halk, zamana (dönem sayısı) karşı öğrenme hatasının grafiksel bir temsilini görmek istiyor.muhtemelen farklı şeylerden bahsediyoruz... Bir öğretmenle çalışmıyorum (bu şekilde öğrenmede bir öğrenme hatası var)... Maksimum amaç fonksiyonu için çalışıyorum ve mümkün olan maksimum değeri bilmiyorum amaç fonksiyonunun değeridir.
Her gösterge için buraya gidin, ayrıntılı bir açıklama var ve hesaplama formüllerini ve
2 gün içinde kendi fikriniz olacak.
Bağlantı için teşekkürler.
izledi. okuyordum. belki biraz zaman harcadım, belki biraz dikkat, belki başka bir şey... eğer hiçbir şey yardımcı olmazsa, kesinlikle oraya geri döneceğim... :))) Çok yol kat ediyorum, değil mi?
hayır. Genetik algoritmaya sadece amaç fonksiyonunun değerini iletiyorum ve her bir gen için genetik algoritma, bir sinir ağı ağırlık matrisine dönüştürdüğüm bir değer vektörü üretiyor.
Bu doğru, genetik algoritma ağırlıkları ayarlamak için hata işlevini kullanmaz.
Anladığım kadarıyla, m5'i tarihte olabilecek maksimum kârla işaretleyebilir ve bu işaretlemeyi bir uygunluk fonksiyonu olarak kullanabilirsiniz.
Bu, bireyi değerlendirdiğiniz işlevin nasıl göründüğüdür.
ne hatasından bahsediyorsun daha büyük bir amaç fonksiyonu, daha uygun bir gen anlamına gelir ...
Bu bir test örneği hatasıdır. Onlar. eğitim örneğinden sonraki ay alırsınız. Algoritmanıza göre işaretleyin. Çıktıları eğitilmiş ağa gönderin. Sonucu karşılaştırın. Bu sadece bu hataların grafiği ve ilgi çekici.
Ayrıca eğitim örneği hatalarının bir grafiğini alabilir ve aynı zamanda ağınızın nasıl öğrendiğini (veya nesillerin bir gen algoritmasında geliştiğini) değerlendirebilirsiniz.
Ustaca olan her şey basit... Bunu kendim de düşünebilirim... Teşekkürler!!!
mevcut göstergeleri alıyoruz ve aralarındaki korelasyona bakıyoruz... analiz ediyoruz, düşünüyoruz, belki faydalı düşünceler ortaya çıkıyor :)
Girdi olarak verdiğiniz tüm setleri karşılaştırdığınızda sonucu gösterin :) Her şeyin yüksek oranda ilişkili olacağını düşünüyorum. Yukarıdaki tüm göstergeler, hesaplama için aynı ilk verileri kullanır.
muhtemelen farklı şeylerden bahsediyoruz... Bir öğretmenle çalışmıyorum (bu şekilde öğrenmede bir öğrenme hatası var)... Maksimum amaç fonksiyonu için çalışıyorum ve mümkün olan maksimum değeri bilmiyorum amaç fonksiyonunun değeridir.
Eğitimli ağın etkinliğini nasıl değerlendiriyorsunuz? Görmek istediğiniz tablo bu.
GA sadece bir optimizasyon aracıdır (araba için bir tornavida). Minimum farkla, onu veya başka bir optimizasyon algoritmasını (tornavida) kullanabilirsiniz.
Evet tornavida ama küçük bir vidayı sökebilen bir tornavida var ama açamayanlar da var...
Hayır, minimal farklılıklarla Millet Meclisi için kullanmak mümkün olmayacak, bu farklılıklar sizin için görünmüyor gibi görünüyor.
Bir nöron aşırı doyduğunda, ORO pratik olarak onu “eğitmeyi” bırakırken, GA bir nöronu kolayca aşırı doyurabilir ve nöronun ağırlıklarını daha da artırmaya devam edebilir.
... her durumda, böyle bir işlev: (2/(1-2^(-x))-1
Böcek çıktı. Şöyle olmalı: (2/(1+2^(-x))-1
Hayır, minimal farklılıklarla Millet Meclisi için kullanmak mümkün olmayacak, bu farklılıklar sizin için görünmüyor gibi görünüyor.
Bir nöron aşırı doyduğunda, ORO pratik olarak onu “eğitmeyi” bırakırken, GA bir nöronu kolayca aşırı doyurabilir ve nöronun ağırlıklarını daha da artırmaya devam edebilir.
Neden görünmüyorlar? Farklılıklar görülebilir. Arama aralığının doğru seçimi ile nöronların aşırı doygunluğu yoktur. "Onları nasıl pişireceğini bilmiyorsun."(c) :)
Farklı karmaşıklıktaki görevler için, haklı olarak belirttiğiniz gibi (tornavidalar) farklı optimal araçlar olacaktır.