Bir sinir ağı kullanarak rastgele bir desen arayın - 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
Sadece sınıflandırma. Ağ, durumları (görüntüleri) ayırt etmeyi öğrenir, ancak hangi durumda ne yapacağını veya hangi görüntüyü nasıl adlandıracağını bilemez.
Bir şeyi tamamen karıştırıyorsunuz ve insanları yanıltıyorsunuz. Sınıflandırma denetimli veya denetimsiz olabilir. Bir ağı bir öğretmenle eğitirsek, o zaman kural olarak çıktı değişkeni 0 ve 1'den oluşur ve bu durumda, harekete geçirici mesaj olan çıktı değişkenidir. (0 sat 1 satın al) iken ağ giriş vektörlerini bu iki sınıfa ayırmaya çalışacaktır. Sunulan her vektörü bir veya başka bir sınıfa atamak daha doğrudur. Vergiler .... bu vektör bire, ama bu muhtemelen zaten sıfıra.
Denetimsiz öğrenme, "Sınıf Sayısı" parametresinin ilk ayarını içerir. Diyelim ki 1000 kayıtlık bir örnek var ve bunları benim için iki sınıfa ayırın, bir sınıf 0 olacak, diğeri doğal olarak 1 olacak. Verilerin mesafesine bağlı olarak bunları iki yığına dağıtın. Sonuçta, girdi vektörünü çok boyutlu bir uzayda bir noktanın koordinatları olarak temsil edersek, o zaman aslında iki 500 nokta bulutunu gruplarken noktalar arasındaki mesafe belirleyici olacaktır. Çok boyutlu bir uzay hayal etmeye çalışmayın. Üç boyut hayal edin. Sıradan. Sonuç olarak, ayırmamız gereken bir nokta bulutumuz var.
İlk durumda, onları, ağ yanıtının amaç fonksiyonuna mümkün olduğunca yakın olacak şekilde, optimizasyonu mümkün olduğunca engellerken mümkün olduğunca yaklaşmaya çalışarak zorla böldük. Yani, herhangi bir nokta bulutu, sadece renklerini değiştirerek istediğiniz gibi bölünebilir. 0 satarken kar getirenler, 1 alırken alınanlar, sıfırları bu düzlemin sağına ve solundakileri bırakarak aralarına bir hiperdüzlem çizerseniz o başka mesele. seçenek. Örnek olarak.
İkinci durumda, öğrenme bir öğretmen olmadan gerçekleştiğinde, aptalca bu noktaları çok boyutlu uzayda birbirine yakınlıklarına göre kırmızı ve mavi olarak renklendiririz. Numunenin kaç sınıfa bölünmesi gerektiğini belirtmediğimizde bu yöntemde bir seçenek de mevcuttur, ağın kendisi örnekte kaç sınıf olduğunu belirler ve sınıf sayısı önemli bir optimizasyon sonucu olacaktır. Tahmin şimdi hangi parçayı bitirdi. Hareket halindeyken yayınlıyorum. Optimize edicinin 1000 vektörümüzü 5 sınıfa ayırdığını varsayalım. Onlarla ne yapmalı? Kim kim??? Ve şimdi Ta daaaaaaaa .... işte, burada, tantana sesleri gibi, onları duyamazsınız :-)
5 sınıf aldıktan sonra, hangi bulutun neye ait olduğunu manuel olarak sınıflandırmamız gerekiyor. Nasıl yapılır. Her bulutu önce bir sınıfta, sonra başka bir sınıfta çalıştırmak gerekir ve daha az hata olduğunda, kontrol edilen bulut ona aittir. Ve eğer ikili sınıflandırmada dört sınıf olduğunu hesaba katarsak, o zaman optimizasyon sonucunu çok sakin bir şekilde bir eylem talimatı olarak yorumluyorum ve böyle olacak.
İki yaklaşım arasındaki fark sadece bir yöntemdedir, eylem talimatı optimizasyondan önce diğerinde hazırlanır. Peki, kim neyin içinde, kendin bulmaya çalış. Yani .... ilham verici bir şey ....
Bir şeyi tamamen karıştırıyorsunuz ve insanları yanıltıyorsunuz. Sınıflandırma denetimli veya denetimsiz olabilir.
Evet... İlk önce "enter" kelimesi birlikte yazılır. 2 - Bütün inekler boynuzluysa ve geyiğin de boynuzları varsa, bundan inek olmaz.
"El ile" kelimesi de birlikte yazılır. Ve sadece bu "manuel", "öğretmen" ile benzer. Aynı şey, sadece diğer taraftan bir görünüm. Ve öğretmen olmadan, sadece sınıflandırma.
Sınıflandırmanın uzayda bir nokta kümesi şeklinde sunulması ve bunların yakınlığı burada genellikle konu değildir, burada gerçek fiyat değerleri ilgi çekici değildir. Burada sınıflandırma tamamen farklı bir şekilde yapılır.
*
Genel olarak, konuşma, sinir ağlarının kendi başlarına nasıl düşüneceklerini bilmedikleri, nasıl düşüneceklerini hiç bilmedikleri hakkındaydı. Sinir ağlarının faydalı olabilmesi için öğretilmesi gerekir. Ve öğretmek için girdi-çıktı çiftlerine (koşullar-sonuçlar) ihtiyacımız var.
Ve genel olarak, "öğretmenli" ve "öğretmensiz" terimleri eskidir. Bir öğretmenle öğrenmeyi otomatikleştirebilirsiniz. Ve "öğretmensiz" öğrenmek, saf, kolay etkilenen doğalar için sadece ilgi çekici bir ifadedir.
...
İki yaklaşım arasındaki fark sadece bir yöntemdedir, eylem talimatı optimizasyondan önce diğerinde hazırlanır. Peki, kim neyin içinde, kendin bulmaya çalış. Yani .... ilham verici bir şey ....
İşte burada.
Bu kadar. İlk önce onun 100.500 çeşitli "kafa-omuz" örneğine hazırlanmanız ve ona bu örnekler üzerinde öğretmeniz gerekir.
Genel olarak, fiyat kalıpları oldukça matematiksel olarak tanımlanır, bunun için NN'ye gerek yoktur. Ancak yanlış bir modelin belirtilerini bulma girişimi, tam olarak NN'nin görevidir.
Ancak tartışmalıdır. Desende 3-4 çubuk varsa, sorun değil, ancak düzinelerce varsa? Burada hangi matematik yardımcı olabilir?
Sinir ağının "bakışın odağını" desen üzerinde nasıl hareket ettirdiği açık değildir. Örneğin, Elliott Dalga modeli, her dalganın bağımsız bir model olduğu beş dalgadan oluşur. Büyük bir figürde, çeşitli küçük formları görebilirsiniz.
Belki de, tüm örüntü çeşitleri için bir sinir ağını eğitirseniz, bir örüntüyü birçok forma ayrıştırabilir ve birçok formu ortak bir kalıba toplayabilir mi? Yoksa teknik yeteneklerin ötesinde mi?
Ancak tartışmalıdır. Desende 3-4 çubuk varsa, sorun değil, ancak düzinelerce varsa? Burada hangi matematik yardımcı olabilir?
Bu, örüntü tanıma algoritmasının çubuk sayısından bağımsız olması gerektiği anlamına gelir. Kolayca çözüldü.
Uzmanlar için soru: "Görünüşü" ölçeklendirmek, formlar arasında hareket etmek, onları büyük olanlara genellemek ve küçük olanlara bölmek, bir kişinin bunu nasıl yaptığını tutarlı bir şekilde belirlemek için bir sinir ağını öğretmek mümkün müdür?
Bir insanın bunu nasıl yaptığını kişisel olarak anlıyor musunuz?
Bu, örüntü tanıma algoritmasının çubuk sayısından bağımsız olması gerektiği anlamına gelir. Kolayca çözüldü.
Herhangi bir sayıda çubuktan karmaşık kalıpları belirlemek için kullanılabilecek bir algoritmadan değil, matematiksel bir yöntemden bahsediyoruz. Kendim denedim ama 4 çubuktan fazla kalıplar matematiksel olarak belirlenemedi.
"matematiksel" ne anlama geliyor? Bir dizi koşul içinde çubukların OCHL parametrelerinin değerlerini karşılaştırın ve ilişki seçeneklerini sıralayın: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
Bir insanın bunu nasıl yaptığını kişisel olarak anlıyor musunuz?
Herhangi bir sayıda çubuktan karmaşık kalıpları belirlemek için kullanılabilecek bir algoritmadan değil, matematiksel bir yöntemden bahsediyoruz. Kendim denedim, ancak 4 çubuktan fazla kalıplar matematiksel olarak belirlenemedi.
"matematiksel" ne anlama geliyor? Bir dizi koşul içinde çubukların OCHL parametrelerinin değerlerini karşılaştırın ve ilişki seçeneklerini sıralayın: if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;