имеет только одно — тривиальное — решение. − 5 ⋅ ( 1 , 0 , 0 ) + 1 ⋅ ( 5 , 0 , 0 ) = ( 0 , 0 , 0 ) . {\displaystyle -5\cdot (1,0,0)+1\cdot (5,0,0)=(0,0,0).} Пусть будет линейное пространство над полем и . называется линейно независимым множеством, если любое его конечное подмножество является линейно независимым. Конечное множество M ′...
太快了，这样的东西应该在一小时或几个小时内训练好mb，通过L-BFGS的算法？我也做了15个输入，但只有一个由15-20个神经元组成的隐藏层，我训练了一个Alglibian TS...所以我没有等待，减少了输入向量的大小)3个输入，10k个向量，花了5-10分钟来训练，而且是用一个隐藏层。而且它不是缓慢的反向传播，而是快速的1-3个历时。 i5 CPU
你的分类器中的目标函数是什么？
我得出的结论是，MLP是一个丑陋的怪物，丑陋的弱智，对交易没有希望，尤其是它非常原始地复制了真实的神经元的工作机制，而不是以大脑中实际发生的方式:)唯一正常的和透视的NS是卷积ns的模式识别，而他们是不能预测的，如果这样，一个简单和快速的分类器的集合就足够了。
贝叶斯分类器更好，但比RF差。
有趣的是，我对 "庞然大物的丑陋 "得出了完全相反的结论）。
射频需要选择预测器，鉴于它们至少是线性独立的要求，这是一项非难事。MLP I简单地调整了时间序列，线性独立的要求由几个NS的委员会来解决，其输入是排出的时间序列（类似于几个TF）。我想，对于真正的交易来说，NS的时间延迟是微不足道的。
真正的TS会发生什么，我还不知道，但NS似乎是相当可训练的。请看一段训练有素的NS的图形输出。我还不能确定它的训练效果如何）。但它是可以训练的））。
有趣的是，我对 "庞然大物的丑陋 "得出了完全相反的结论）。
射频需要选择预测因子，鉴于它们至少是线性独立的要求，这是一项非难事。MLP I简单地调整了时间序列，线性独立的要求由几个NS的委员会来解决，其输入是排出的时间序列（类似于几个TF）。我想，对于真正的交易来说，NS的时间延迟是微不足道的。
真正的TS会发生什么，我还不知道，但NS似乎是相当可训练的。请看一段训练有素的NS的图形输出。
只要把震荡器形式的预测器扔在图表上，你就会看到它们是线性依赖还是非线性的)。不需要数字。国家安全局可以重新训练自己，如果从一开始就不存在或不一致，它就不能想出任何超级非线性的相关关系
或者有必要在NS之前使用核机器，如Jpredictor，它通过多项式提高输入的维度，然后通过SVM和其他一些废话留下信息量最大的输入，但另一方面，由于这些多项式，它可以像地狱一样过度训练。
为什么呢，只要把预测者作为震荡器扔在图上，你就可以看到它们是线性还是非线性依赖)。不需要数字。NS也可以重新训练自己，它不会凭空想出任何超级非线性关联，如果它们从一开始就不存在，或者它们是不一致的。
并非一切都像看起来那么简单。在我看来，SanSanych已经摆弄了一年的预测器，从一个森林跳到另一个森林（从一个包到另一个包）。
或者，也许有必要在NS之前使用一个内核，就像Jpredictor那样，用多项式提高输入的维度，然后通过SVM和其他一些废话留下信息最丰富的输入。
为什么呢，只要在图表上以震荡器的形式抛出预测器，在那里你可以看到它们是线性依赖还是非线性的)
PS 顺便说一下，MLP与单层P不同，它本身就是非线性的，而且相当能够概括非线性特征。
他们可以，射频也可以，但他们的过度学习并没有减少
没有目标，它的工作原理是，所有预测器在总体上离平均值越远，它们就应该越快地收敛到这个平均值，也就是说，它根据贝叶斯分类器的原理工作，找到这样的权重，在总体上预测器在每种情况下都会对平均值产生最大的偏差，因此它们应该向后收敛。由于我们采取预测器的静止形式，很明显，平均数是0。如果输出>0，我们卖出，如果<，我们买入。
不太清楚，是有老师的训练还是没有老师的训练？ 如果有老师，那么分类器的购买信号是什么？
一般来说，NS与RF相比没有任何优势，它需要很长的时间来计算，误差更大......如果你想快速训练，那么肯定是RF+优化器
关于NS的速度。
我专门为此做了一个速度实验。为此，我采用了一个层结构为[15,15,15,8,2]的MLP。训练样本量为：输入-15 x 10378，输出-2 x 10378。
在这个数据上，10个epochs的MLP训练大约是10分钟。
直接处理数据--输入的15×10378在不到3秒的时间内被计算出来。即~0.0003 c/sample。
对TC建设来说绰绰有余）。
关于NS的速度。
特别是为了这个，我做了一个关于速度的实验。为此，我采取了一个具有层结构[15,15.15,8,2]的MLP。训练样本量为：输入-15 x 10378，输出-2 x 10378。
在这个数据上，10个epochs的MLP训练大约是10分钟。
直接处理数据--输入的15×10378在不到3秒的时间内被计算出来。即~0.0003 c/sample。
足够的时间来建立一个TS）。
太快了，这样的东西应该在一小时或几个小时内训练好mb，通过L-BFGS的算法？我也做了15个输入，但只有一个由15-20个神经元组成的隐藏层，我训练了一个Alglibian TS...所以我没有等待，减少了输入向量的大小)3个输入，10k个向量，花了5-10分钟来训练，而且是用一个隐藏层。而且它不是缓慢的反向传播，而是快速的1-3个历时。 i5 CPU
想象一下，即使有10分钟的时间，你也没有现成的策略，必须在优化器中搜索N个预测器、矢量长度、隐藏层的数量等等，才能找到一个策略......