Sinir ağının girişine ne beslenmeli? Fikirleriniz... - sayfa 81
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
L1, L2 normalizasyonları. (düzenlilikler) tanımlanmıştır. Genellikle bunlar zaten MO'da yerleşiktir.
İyi örneklerden çok daha fazla çöp varsa (tipik bir forex veri seti için tipiktir), hiçbir yaklaşım yardımcı olmayacaktır.
Teoriyi açıklamam zorunludur: NS'nin amacı bir şeyler gösteren kaba TS'leri filtrelemektir.
Kase aramak için değil. Ve yaklaşımı tarif ettim: en azından biraz sonuç gösteren herhangi bir TS'yi manuel olarak arayın. Ve NS ile filtreleyin. İşte orijinal TS.
Ticaret için uygun değil, ancak yaşam belirtileri gösteriyor .
Ve işte aynısı, sadece Python NS tarafından filtrelenmiş: LSTM-key.
Gerçek hayatta görünmüyorsa, ancak test cihazından alınmışsa, yine de aşırı uygundur.
Ve işte konvolüsyonun nasıl davrandığı (CNN) Orijinal ham basit TC'nin geriye dönük testi: 2000-2021
Çalışma yöntemi: - bazı TS'leri arayın, ileriye doğru kontrol edin: en azından boşalmamalı.
Çalışmasını öznel olarak değerlendirin - bir pozisyon açmadan önce, grafikteki bilgileri (deneysel olarak - herhangi biri) - giriş setine kaydederiz(bunu bir komut dosyası ile yaptım) - önceden kaydedilmiş giriş seti için hedefteki anlaşmanın sonucunu kaydederiz - tüm eğitim döneminden geçeriz.
- NS'ye gönderin ve onu eğitin - pozisyon açma koşuluna "if (.... && out > Open_level)" ekleyin - MT5'te optimize edin: eşik rölesini döndürün ve çevirin (MT5 test cihazının optimize edicisinde optimize edilecek tek parametre ) - beğendiğiniz seti seçin, örneğin aşağıda - yukarıdakiyle aynı grafik, ancak NS tarafından "filtrelenmiş".
- ileri 2021-2025'i kontrol edin
G irdi olarak: 1000 (!) normalleştirilmiş fiyat (NS için bir piyasa bağlamı formüle etme ve tasarlama fikrini hayal etmeye devam ediyorum. Ve içermesi gereken ilk şey: çok sayıda bilgi birimi.
)Yukarıda anlatılanlar, biz ona kendi başına TC'leri aramayı nasıl öğreteceğimizi bulana kadar NS'den faydalanmanın basit bir yöntemiydi. Sanırım öğretmen olmadan öğrenme, veri inceleme ve benzeri konularla ilgili MOE bölümüne dalmamız gerekecek.
Gerçek orada bir yerde gömülüdür. NS ile ilgili notlar: yeniden eğitim işin %99'udur. Yani, bu sonuca (yukarıda) ulaşmak için yarım gün boyunca oturup mimariyi kurmanız gerekiyordu. Hiperparametre ayarlarında voshleb çubuğu yoktur.
Ve bir şeyi "ayarlamanın" düzinelerce ve yüzlerce yolu vardır, her şeyi öğrenemezsiniz. Ancak seçme sürecinde düşünce yönünün vektörünü anlar veya hissedersiniz.
Şu anda, bu ağlarla uzun yıllar süren çabalara baktığımda, kesin olarak söyleyebileceğim bir şey var:model seçmek için yeterli işlevsellik yok. 1) Ağırlıkları rastgele başlatın.
Tamam. 2) Eğitim başlatılır ve işte en ilginç kısım: 3)Her ağırlık seti, kullanıcı tanımlı kriterlere göre ileriye doğru kontrol edilmelidir: örneğin, kurtarma faktörüne göre. 4) İleriye doğru iyileşir iyileşmez - ekranda görüntülenen kar grafiği ile modeli otomatik olarak kaydedin (otomatik kaydet).
K aydedilen tüm grafikler görünür ve kaydırılabilir olmalıdır, böylece kullanıcı ilerlemeyi paralel olarak görüntüleyebilir. 5) Bir sonraki iterasyonda, model kötüleştiyse (aşırı öğrenme başladı veya sadece başarısız bir ağırlık seti) - önceki modele geri dönün ve Öğrenme oranını değiştirin.
Öğrenme oranları iyileşene kadar devam ediyoruz. 6) Öğrenme oranları iyileşmezse veya kullanıcı öğrenme sonuçlarının ilerleme vektörünü beğenmezse - eğitimi durdurun ve ağırlıkların yeni bir başlangıcı ile yeniden başlatın.
7) Bu temel süreci talep üzerine ek işlevlerle değiştiriyoruz: örneğin, yeni eğitimde nöronların otomatik olarak eklenmesini, katmanları, aktivasyon fonksiyonlarını veya kayıp fonksiyonlarını, optimizasyon fonksiyonlarını (Adam'dan BFG+momentum'a ve diğerlerine) değiştiriyoruz vb.
Yani , çalışan bir model bulmak için maksimum düzeyde faydalı bir arama motoru yaratıyoruz. Ve bunların hepsini elle yapmıyoruz. Ağırlıkların uzayı, içinde sonsuz sayıda beyaz noktanın bulunduğu bir uzay haritasıdır.
Her yeni ağırlıkla birlikte, aynı sonsuz girdi sayıları kombinasyonu üzerindeki olası çarpma sonuçları kombinasyonlarının sayısı gökyüzündeki yıldızların sayısını aşar. Her başlatma bu harita üzerinde bir noktadır, sonsuz küçük boyutta bir nokta. Ve öğrenme, komşu noktalara doğru bir yürüyüştür. Belirli bir nokta kümesi "dolu" noktasından çok uzaksa, onu hemen elemek ve öğrenmeye yeniden başlamak daha iyidir. Ölçeklerin yeni bir başlangıcı, bu devasa harita üzerinde rastgele bir başka noktadır.
Ve yeni bir eğitim, etrafındaki uzayın yeni bir "araştırılmasıdır." NS için gerekli seti bulmanın (bir şekilde bu haritayı analiz etmenin) ideal bir formülü (yöntemi) kurgu bölümünden bir şeydir.
Ve bu niceliksel sınırlamaların nasıl çözüleceği ya da nasıl aşılacağı üzerine düşünmek için yiyecek olarak. Ve yeni bir eğitim başlangıcı ile sürekli yeniden başlatma, en iyi sinir ağı kurulumuna yaklaşmak için en azından en basit ve en erişilebilir yöntemdir.
Şu anda, bu ağlarla geçen onca yıla baktığımda, kesin olarak söyleyebileceğim bir şey var: model seçimi için yeterli işlevsellik yok.
Evet, sorunun bir sonraki adımı bu - daha sonra veri sürüklenmesi ve TC durdurma kriteri.
L1, L2 normalizasyonları. (düzenlilikler) tanımlanmıştır. Genellikle zaten MO'nun içine yerleştirilmiştir.
L1/L2-normları zayıf ama istatistiksel olarak anlamlı örüntüleri bastırabilir.Bu, eski rastgele güç değerlerini yeni rastgele güç değerlerine temelsiz olarak atamaktan farklı değildir (ns-ka'da özetlenecek bir şey olduğu sürece).
Evet, bu sorunun bir sonraki adımı - daha sonra veri kayması ve TC durdurma kriteri.
Eğitilen modelin (model grubunun) sonraki +-~N dönem boyunca çalışmasının garanti edilebileceği bir sonuca ulaşırsak, sorun sadece erken kapatma ve ek eğitimle çözülecektir. Yani, birincil sorunun çözülmesi esasen ikincil sorunu da çözecektir.
Matematiksel yöntem sadece burada işe yarar,yani değerleri ve sayılarını değiştirmeden girdi değerlerinin önceliğe göre filtrelenmesi.iki senkron model olmalı,biri filtre diğeri tahmin edici.bu gürültüleri sonsuza kadar kovalamanız asla bir işe yaramayacaktır.mümkün olan her şeyi ve daha fazlasını bu yöntemde birleştirmeniz gerekir.uygun bir uygulamada nasıl bir araya getirileceği hakkında hiçbir fikrim yok,ancak bilginin doğru olduğu gerçeği söz konusu değil.buna inanıp inanmamak size kalmış.
Düşünceyi genişletin.