"Somut" bir girdinin Ulusal Meclis çalışmalarına katkısı pratik olarak nasıl değerlendirilir? - 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
Bu seçeneği de sunabilirsiniz: basitlik için NS'yi üç girişle alıyoruz.
Ve 20 girişi de gönderelim ve arama ile optimize edicinin kritere göre 3 girişin en uygun kombinasyonunu bulmasına izin verelim, örneğin, minimum bir düşüş için ileriye doğru bir çalışma.
Bunun gibi bir şey.
Bu seçeneği de sunabilirsiniz: basitlik için NS'yi üç girişle alıyoruz.
Ve 20 girişi de gönderelim ve arama ile optimize edicinin kritere göre 3 girişin en uygun kombinasyonunu bulmasına izin verelim, örneğin, minimum bir düşüş için ileriye doğru bir çalışma.
Bunun gibi bir şey.
Tam olarak Cuma değil, ama...
Bir NS var, herhangi biri, A={A1, A2, .... A20} girişi var. NN'yi eğitiyoruz ve tatmin edici bir sonuç alıyoruz. A1, A2, ... A20 girdisinin her bir öğesinin bu sonuca katkısını pratik olarak nasıl tahmin ederiz?
Aklıma gelen seçenekler:
1) Bir şekilde ağdan geçtiği elemanın tüm ağırlıklarını toplayın ve hesaplayın. Bunun nasıl yapılacağı tamamen açık değil, kendinizi ağın işleyişine sokmanız, bir yerde bir şekilde bazı katsayıları hesaplamanız vb.
2) Bir şekilde "sıfırlamaya" çalışın veya örneğin giriş vektörünün öğesini çevirin ve nihai sonucu nasıl etkilediğini görün. O durana kadar.
Ancak bu ikinci seçeneği uygulamadan önce danışmaya karar verdim. Belki birileri bu konu hakkında benden daha uzun düşündü? Kitapçık önerebilecek olan var mı?
Bir gösterge yazıp ayrı bir pencerede çalıştırmanızı öneririm.
Gösterge çizgileri çok ilginç bilişsel gözlemler yapmanızı sağlayacaktır.
Gösterge çizgileri şunlar olabilir: nöron toplayıcılarının çıktıları; doğrusal olmayan dönüştürücülerden sonra nöronların çıktıları; belki komitelerin kararları vb. vs. Her şey sadece sizin arzu ve fantezilerinize bağlıdır.
Böyle bir görünürlük, bu kara kutuya "nüfuz etmeye" ve her şeyin orada nasıl olduğunu/işe yaradığını anlamaya yardımcı olacaktır.
Kesinlikle. Herkesin bir seçeneği vardır: kitap okumak veya dizginsiz bir düşünce uçuşu geliştirmek.
Referans için: sadece kitaplarda bu yöntem açıklanmıştır.
Belki burada dosyaladığım biçimde değil, ama özünde doğru.
Her girdinin etki derecesini gerçekçi bir şekilde değerlendirmek neredeyse imkansızdır.
Peki xs. Diğer girdilere göre oldukça. Sadece girişlerin normalleştirilmesi gereklidir.
Ve böylece tahmine dayalı çıktıları standart olarak alıyoruz ve tüm modeller için her girdi için belirli bir girdinin çok küçük bir kayması için ortalama kare kök hatasını dikkate alıyoruz.
Ekonometrik bağlamının dışında sağlam kanıta dayalı bir yaklaşım uygulamak, çocukça soruları gündeme getiriyor.
Regresyon yapmak:
kar \u003d c (1) * A0 + ... c (n) * A (n)
Bu regresyonun katsayılarını tahmin ediyoruz.
hemen alırız
belirli bir katsayının sıfıra eşit olma olasılığı. - bu girişi kaldır
birlikte alınan tüm katsayıların sıfır olasılığı
elipslerle korelasyon katsayısını elde ederiz
gereksiz girişler için test
cevapsız girişler için test
katsayıların değerinin kararlılığı için bir test yapıyoruz (değişikliklerinin rastgeleliğini değerlendiriyoruz)
Akıllı bir amca geldi ve çocuksu soruma yetişkin bir cevap verdi) Eh, bunun için teşekkürler. Sadece regresyon ve NN tamamen aynı şey değil, aynı zamanda önerilen seçenek en azından daha basit değil. Değerlendiriyoruz, alıyoruz, yürütüyoruz, yürütüyoruz, yürütüyoruz… Elde edilen sonuçların tamamen farklı bir sistemde nasıl yorumlanacağı hala net değil. MACD iyi mi kötü mü? Ya da belki bir araç üzerinde çalışıyor, diğeri çalışmıyor?
Bu seçeneği de sunabilirsiniz: basitlik için NS'yi üç girişle alıyoruz.
Ve 20 girişi de gönderelim ve arama ile optimize edicinin kritere göre 3 girişin en uygun kombinasyonunu bulmasına izin verelim, örneğin, minimum bir düşüş için ileriye doğru bir çalışma.
Bunun gibi bir şey.
Ben de tam olarak bunu yaptım, tam tersinden gittim, onlardan çok fazla girdi almadım ve onlardan yontulmuş girdi kombinasyonları almadım, ancak girdileri ve bunların bazı kombinasyonlarını hariç tuttum ve sonuca baktım - aslında aynı şey. Alternatif olarak dahil et, hariç tut - fark nedir? Uygulamanın özellikleri nedeniyle, hariç tutmanın benim için daha uygun olduğu ortaya çıktı.
Kesinlikle. Herkesin bir seçeneği vardır: kitap okumak veya dizginsiz bir düşünce uçuşu geliştirmek.
Yine kitapçıklar, makaleler de dahil olmak üzere sordum. Hiç kimse bu konuda bir şey önermedi ve sen de önermedin. Herkes bilimsel ve teknik kütüphaneye gider ve sözde bilim olmayan tek şey olan ekonometri için dua eder mi?) Kitaplar için gerçekten eşit nefes alsam da, bu yüzden tuvalete eğitim veya genel kültürel amaçlarla bakarsanız, çok az pratik kullanım vardır. ve az ya da çok hazır çözümler yoktur, çünkü bunlar çoğunlukla köktenci teorisyenler veya uygulamalı kaybedenler tarafından yazılmıştır. Ve kaç tanesi onları "dizginsiz hayal gücü" olmadan okumaz - sıfır pratik kullanım.
Peki xs. Diğer girdilere göre oldukça. Sadece girişlerin normalleştirilmesi gereklidir.
Ve böylece tahmine dayalı çıktıları standart olarak alıyoruz ve tüm modeller için her girdi için belirli bir girdinin çok küçük bir kayması için ortalama kare kök hatasını dikkate alıyoruz.
Bu arada, NS aynı zamanda bir gerilemedir. Mevcut sayımın öncekilere aynı bağımlılığı. Ama bu değil.
Faa'nın önerdiği şey, lineer regresyona uygulanabilirken, sinir ağı lineer olmayan regresyondur.
Bu arada, NS aynı zamanda bir gerilemedir.