sinir ağı ve girişler
Ağın tipinin o kadar önemli olmadığı konusunda gerçekten haklısınız, asıl mesele girdiler ve tabii ki çıktı. Ağ için yüksek kaliteli girdiler bulmak yeterlidir ve harikalar yaratacaktır, AMA onları nasıl bulabilirim????? Basit normalleştirme yardımcı olmaz...
Sorunuz bir ipucu mu yoksa genel bir sorun mu? :)
1. İlk pozisyonu alırsanız, asıl mesele doğru gösterge setini bulmaktır.
2. İkinci konumu alırsanız, iki ana bileşen vardır: 1. veri normalleştirme . 2. bir filtre kullanarak geçmiş verileri sağlamak (gereksiz bilgileri kaldırıyoruz. Önemli bir nokta ve anladığım kadarıyla burada sıklıkla hatalar yapılıyor).
İkincisi ile ilgili olarak, ekleyeceğim. Genel olarak, girdilere filtre uygulanmış keneler uygulamak istedim (her zamanki renko), çünkü. Zaman aralığı grafiği konusunda şüpheliyim. Ancak fiyatları filtreleme bölgelerine bölmek (örneğin, 5 ile). Gerçek fiyata ne kadar yakınsa, Renko süresi o kadar kısa, o kadar yüksek - o kadar yüksek. Onlar. Veriler şimdiki zamandan ne kadar uzaksa, mevcut durumu o kadar az etkiler, bu nedenle filtrelemeyi artırırız.
Ancak keneleri reddettim, gerçek fiyat verilerinin alınması için bir sistem oluşturmak ve bunu kenelerin geçmişiyle ilişkilendirmek zor, temel felsefe değişmese de zaman aralıklarıyla oynamaya karar verdim.
Konu üretmemek için müdahale edeyim. Giriş sinyallerini kim normalleştirir? Ve hangi çıkış sinyalleriyle çalışmak daha uygundur? İlkel persaptronlara daldım, bir ağ kurdum, tüm katmanlardaki sinyalleri normalleştirdim, ancak çıktıda bir tıkanıklık var ve küçük şeyler üzerinde çok fazla belirsizlik var.
Sorduğunuz garip sorular) Uygulama alanımızda genellikle sinir ağları tarafından çözülen iki ana görev vardır: sınıflandırma ve regresyon. Buna göre bir ağ kurulur, tipi ve mimarisi seçilir ve çıktısı buna göre yorumlanır. Çıktının herhangi bir sınıfa ayarlanan girdinin mi yoksa yarının fiyatının mı (koşullu olarak) olacağı. Ağınız ne yapıyor? Ona ne öğretiyorsun?
Girdilerin normalleştirilmesi ile her şey basittir, ancak girdiye ve özelliklerine bağlı olarak nüanslar olabilir (örneğin, NS'nin girdisi bileşik olabilir). "Homojen" bir girdi kümesi için, en basit ve genellikle yeterli seçenek, verilen [a;b] aralığına doğrusal bir dönüşümdür. Ayrıca, girdi kümesinin özelliklerine bağlı olarak, ayırt edilebilirliği iyileştirmek için ek dönüşümler mümkündür, örneğin...
Makaleleri okuyun, zamanında onlardan bir şeyler topladım ( nörookulda her şey mevcut ve buraya göndermenin bir anlamı yok):
Sinir ağı tahmin problemlerinde ilk verilerin temsili Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Ayırt edilebilirliklerini geliştirmek için sinir ağının giriş verilerinin dönüştürülmesi. Krisilov V.A., Kondratyuk A.V.
Eğitim setinin uyarlanabilir basitleştirilmesi nedeniyle sinir ağlarının eğitiminin hızlandırılması. Krisilov V.A., Chumichkin K.V.
Zaman serisi tahmini problemlerinde sinir ağları için eğitim örneğinin kalitesinin ön değerlendirmesi. Tarasenko R.A., Krisilov V.A.
Zaman serilerini tahmin etme problemlerinde sinir ağları için bir eğitim örneğinin oluşturulmasında durumun açıklamasının boyutunun seçimi. Tarasenko R.A., Krisilov V.A.
Zaman serilerinin davranışını tahmin etme probleminde öğrenme sinir ağlarının kalitesini ve hızını geliştirmek. Oleshko D.N., Krisilov V.A.
Sorduğunuz garip sorular) Uygulama alanımızda genellikle sinir ağları tarafından çözülen iki ana görev vardır: sınıflandırma ve regresyon. Buna dayanarak bir ağ kurulur, tipi ve mimarisi seçilir ve çıktısı buna göre yorumlanır. Çıktının herhangi bir sınıfa ayarlanan girdinin mi yoksa yarının fiyatının mı (koşullu olarak) olacağı. Ağınız ne yapıyor? Ona ne öğretiyorsun?
Girdilerin normalleştirilmesi ile her şey basittir, ancak girdiye ve özelliklerine bağlı olarak nüanslar olabilir (örneğin, NS'nin girdisi bileşik olabilir). "Homojen" bir girdi kümesi için, en basit ve genellikle yeterli seçenek, verilen [a;b] aralığına doğrusal bir dönüşümdür. Ayrıca, girdi kümesinin özelliklerine bağlı olarak, ayırt edilebilirliği iyileştirmek için ek dönüşümler mümkündür, örneğin...
Makaleleri okuyun, zamanında onlardan bir şeyler topladım ( nörookulda her şey mevcut ve buraya göndermenin bir anlamı yok):
Sinir ağı tahmin problemlerinde ilk verilerin temsili Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Ayırt edilebilirliklerini geliştirmek için sinir ağının giriş verilerinin dönüştürülmesi. Krisilov V.A., Kondratyuk A.V.
Eğitim setinin uyarlanabilir basitleştirilmesi nedeniyle sinir ağlarının eğitiminin hızlandırılması. Krisilov V.A., Chumichkin K.V.
Zaman serisi tahmini problemlerinde sinir ağları için eğitim örneğinin kalitesinin ön değerlendirmesi. Tarasenko R.A., Krisilov V.A.
Zaman serilerini tahmin etme problemlerinde sinir ağları için bir eğitim örneğinin oluşturulmasında durumun açıklamasının boyutunun seçimi. Tarasenko R.A., Krisilov V.A.
Zaman serilerinin davranışını tahmin etme probleminde sinir ağlarını öğrenmenin kalitesini ve hızını geliştirmek. Oleshko D.N., Krisilov V.A.
Ağ daha çok tahmin eder, çıktı [-1; 1] aralığında iki değerdir. Önce ağ girişine 8 değer besliyorum, ardından sıfıra kaydırmadan [-1;1] aralığına normalleştiriyorum. Ve ayrıca ağırlıklar ve katmanlar üzerinde aynı şekilde normalleştiriyorum. Çıktıda, en yakın iki fraktalın tahmini ve 0 bar'a göre karşılıklı konumları. Kantitatif bir bağlantı yoktur. Yani, çıktı -1 ve 0,5 ise, en yakın fraktal Open[0]'dan sonrakinden iki kat daha düşüktür ve Open[0]'dan daha yüksektir. Ve benzetme ile, eğer değerler 0,3 ve 1 ise, o zaman her iki fraktal da Açık[0]'ın üzerindedir. Koleksiyon için teşekkürler. Ve sorular size göre garip. Kafada (zihin) her şey açık ve anlaşılır. Ve şemalar ve öğretim yöntemleri ve eğitim ve yorumlama. Ve arabanın açıklamasına nasıl geliyor - bir sersemlik.
Ağın giriş ve çıkışına uygulanan sinyaller ağ için faydalı bilgiler taşımıyorsa normalleştirmenin bir anlamı yoktur.
Ve eğer bu sinyaller faydalı bilgiler taşıyorsa, o zaman prensipte, neyin ve nasıl normalleştirileceği temel öneme sahip değildir - buradaki ana şey, bu içerdiği bilgileri bulanıklaştırmamaktır)))
Ağın giriş ve çıkışına uygulanan sinyaller ağ için faydalı bilgiler taşımıyorsa, boş yere normalleştirin)))
Girdiye verilen hangi sinyaller sizce faydalı bilgiler taşıyor? :) Dürüst olmak gerekirse, gizli katmanda ne olacağı umurumda değil, dünya halklarının ana pastaları için tarifler olsa bile şey, çıktının yararlı bilgilere sahip olması ve girdiye bilgi içeriği sağlayacağım.
Ağın giriş ve çıkışına uygulanan sinyaller ağ için faydalı bilgiler taşımıyorsa, boş yere normalleştirin)))
Ö! Leonid! Mutlu Noeller! İş hayatında başarı ve sağlık!
Proje nasıl gidiyor?
http://www.neuroproject.ru/demo.php ?
Ben kendim nöro-exps'e daha yakından yaklaşmak istedim.
Şu anda neyin alakalı olduğunu düşünüyorsunuz, nöro hakkında fikirlerinizi paylaşabilir misiniz?
Sayesinde.
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Merhaba. Konuyla ilgilenmeye başladım, genel olarak açık olan iki kitaptan geçtim. Girdileri normalleştiriyoruz, ns tipi seçimi ile akıllı olmanın bir anlamı yok - çoğu görev KOBİ (iyi veya rbf) tarafından gerçekleştirilir ... peki ya girdiler? Burada çoğunluk, girdi göstergelerinin gerekli olduğunu iddia edenler (ve bunu vurgulayanlar) ve bunun hiç gerekli olmadığı gerçeğine bağlı olanlar olmak üzere iki kampa bölünmüştür: göstergelerin çoğu yeniden üretilemez, yani gerekirse, ns'nin kendisi gerekli "göstergeyi" yaratacaktır.
Belki belirli bir yararlı gösterge seçimi ile arama alanını azaltırız (daha doğrusu, ona belirli bir arama yönü uygularız), ancak yine de ideal olarak, öyle görünüyor ki, ns veri analiz yöntemlerini kendisi seçmelidir . Amatörce ifadem doğru mu? Belki bunun için ns'de özel koşullar yaratmak gerekir?