市场礼仪或雷区中的良好风度 - 页 43 1...363738394041424344454647484950...104 新评论 [删除] 2009.06.04 07:11 #421 Neutron >> : 细心的人是更好的人!收紧程序并不复杂，NS训练也不会受到影响--这是一种有效的方法。 至于说没有达到最佳值，这对我们的BP来说纯粹是虚张声势。如果你预测的是正弦波，我可以理解!- 那么是的--有最佳值。但是，在市场动荡的情况下，那些是什么呢？现在，最佳状态就在那里，在下一步（你所预测的），它就在那里......。而你正在全力以赴地寻找 "这里"。简而言之，不存在精确的定位问题，通过每一步的过度训练就能圆满解决。 反过来说也是如此，如果没有找到全局最小值，或者至少没有找到它的附近，那么每一步的训练都可能不尽人意。我研究了一下这个问题，我个人得到了类似于自欺欺人的东西，当误差在两个样本上似乎都是渐进式的发散，但不同时间间隔的相同配置的网络给出了完全相反的买入/卖出信号。尽管在数学上对赢钱的预期是积极的，但最后我还是得出结论，我还是在玩赌场。而这一切，分别是因为最初的加权系数，这是我得出的结论。这些是我的想法:) Neutron 2009.06.04 07:12 #422 registred писал(а)>> 顺便说一下，根据我的观察，网格快速学习的最佳随机化权重是在[-0.07; +0.07]的区间。我不知道为什么会出现这种情况:) 这意味着你没有足够的学习纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该在一个最佳状态下滚动，对于居中的输入数据来说，这接近于小数值。你是人为地把它转移到那里。这并不总是一件好事。 反过来说也是如此，如果没有找到全局最小值或至少其附近的值，那么每一步的训练都可能不尽人意。我研究了一下这个问题，我个人得到了类似于自欺欺人的东西，当误差在两个样本上似乎都是渐进式的发散，但不同时间间隔的相同配置的网络给出了完全相反的买入/卖出信号。尽管在数学上对赢钱的预期是积极的，但最后我还是得出结论，我还是在玩赌场。而这一切，分别是因为最初的加权系数，这是我得出的结论。这些是我的想法:) 这是一个训练有素的网格的症状。你确定训练向量没有比最佳的 P=w^2/d 短吗？ [删除] 2009.06.04 07:14 #423 Neutron >> : 这意味着你没有足够的训练纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该滚动到一个最佳状态，对于居中的输入数据来说，它位于小值附近。你是人为地把它转移到那里。这并不总是一件好事。 是的，我努力把它保持在最低限度。我不想等待它在几十万个纪元后最终给我一些东西。通常情况下，几千，或几万就够了。 Neutron 2009.06.04 07:18 #424 registred писал(а)>> 通常情况下，几千，或几万就够了。 惊讶吧! 我有几百个。 [删除] 2009.06.04 07:19 #425 Neutron >> : 这意味着你没有足够的训练纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该滚动到一个最佳状态，对于居中的输入数据来说，它位于小值附近。你是人为地把它转移到那里。这并不总是一件好事。 这是一个训练有素的网格的症状。你确定训练向量不比最佳的P=w^2/d短吗？ 说实话，我已经很久没有看这样的公式了，都是通过实验，从少量的神经元开始，一直到两个样本上的误差渐进地分开为止，这整个过程。在找到层中权重的最佳值后，我重新训练了几次网络，在同一个样本上有不同的结果，但每个网格的初始权重都不同。试着从头开始重新训练你的网，看看你是否在历史上得到同样的交易。你以后会告诉我的，我很想知道。 [删除] 2009.06.04 07:19 #426 Neutron >> : 惊讶吧! 我有几百个。 嗯，正如他们所说，飞行很好。） Neutron 2009.06.04 07:26 #427 registred писал(а)>> 试着从头开始重新训练你的网络，看看你是否在历史上得到同样的交易。以后再告诉我，我很想知道。 嗯，当然不是! 所有的交易都会有所不同，以此类推，但利润平均来说是一样的（而且非常小）。我对平均数的可重复性感兴趣，它节省了计算资源。 [删除] 2009.06.04 07:33 #428 Neutron >> : 嗯，当然不是! 所有的交易都会有所不同，一次又一次，但平均利润是一样的（而且非常小）。我对平均数的可重复性感兴趣。 所以我认为你是在赌场里玩。我建议你使用委员会，因为它可能会产生最佳效果。我个人对这样的工作条件并不满意。我不能在新的数据上重新训练网络，这样做会引入错误，而且没有收益，如果在重新训练后，再在这段历史上测试网络，就没有收益。 paralocus 2009.06.04 07:36 #429 是的，我想我已经得到了它。有初始随机化的网格的结果显然不需要完全重复。只要结果在某个小范围内是稳定的就够了。 例如，它看起来是这样的。 方案1: 例子2: 除了在两种情况下进行的初始化之外，输入数据是相同的。 Neutron 2009.06.04 07:39 #430 这就对了，同志! 1...363738394041424344454647484950...104 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
细心的人是更好的人!收紧程序并不复杂，NS训练也不会受到影响--这是一种有效的方法。
至于说没有达到最佳值，这对我们的BP来说纯粹是虚张声势。如果你预测的是正弦波，我可以理解!- 那么是的--有最佳值。但是，在市场动荡的情况下，那些是什么呢？现在，最佳状态就在那里，在下一步（你所预测的），它就在那里......。而你正在全力以赴地寻找 "这里"。简而言之，不存在精确的定位问题，通过每一步的过度训练就能圆满解决。
反过来说也是如此，如果没有找到全局最小值，或者至少没有找到它的附近，那么每一步的训练都可能不尽人意。我研究了一下这个问题，我个人得到了类似于自欺欺人的东西，当误差在两个样本上似乎都是渐进式的发散，但不同时间间隔的相同配置的网络给出了完全相反的买入/卖出信号。尽管在数学上对赢钱的预期是积极的，但最后我还是得出结论，我还是在玩赌场。而这一切，分别是因为最初的加权系数，这是我得出的结论。这些是我的想法:)
顺便说一下，根据我的观察，网格快速学习的最佳随机化权重是在[-0.07; +0.07]的区间。我不知道为什么会出现这种情况:)
这意味着你没有足够的学习纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该在一个最佳状态下滚动，对于居中的输入数据来说，这接近于小数值。你是人为地把它转移到那里。这并不总是一件好事。
反过来说也是如此，如果没有找到全局最小值或至少其附近的值，那么每一步的训练都可能不尽人意。我研究了一下这个问题，我个人得到了类似于自欺欺人的东西，当误差在两个样本上似乎都是渐进式的发散，但不同时间间隔的相同配置的网络给出了完全相反的买入/卖出信号。尽管在数学上对赢钱的预期是积极的，但最后我还是得出结论，我还是在玩赌场。而这一切，分别是因为最初的加权系数，这是我得出的结论。这些是我的想法:)
这是一个训练有素的网格的症状。你确定训练向量没有比最佳的 P=w^2/d 短吗？
这意味着你没有足够的训练纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该滚动到一个最佳状态，对于居中的输入数据来说，它位于小值附近。你是人为地把它转移到那里。这并不总是一件好事。
是的，我努力把它保持在最低限度。我不想等待它在几十万个纪元后最终给我一些东西。通常情况下，几千，或几万就够了。
通常情况下，几千，或几万就够了。
惊讶吧!
我有几百个。
这意味着你没有足够的训练纪元。在极限情况下，无论你从哪里开始（甚至是+/-10），网格都应该滚动到一个最佳状态，对于居中的输入数据来说，它位于小值附近。你是人为地把它转移到那里。这并不总是一件好事。
这是一个训练有素的网格的症状。你确定训练向量不比最佳的P=w^2/d短吗？
说实话，我已经很久没有看这样的公式了，都是通过实验，从少量的神经元开始，一直到两个样本上的误差渐进地分开为止，这整个过程。在找到层中权重的最佳值后，我重新训练了几次网络，在同一个样本上有不同的结果，但每个网格的初始权重都不同。试着从头开始重新训练你的网，看看你是否在历史上得到同样的交易。你以后会告诉我的，我很想知道。
惊讶吧!
我有几百个。
嗯，正如他们所说，飞行很好。）
试着从头开始重新训练你的网络，看看你是否在历史上得到同样的交易。以后再告诉我，我很想知道。
嗯，当然不是!
所有的交易都会有所不同，以此类推，但利润平均来说是一样的（而且非常小）。我对平均数的可重复性感兴趣，它节省了计算资源。
嗯，当然不是!
所有的交易都会有所不同，一次又一次，但平均利润是一样的（而且非常小）。我对平均数的可重复性感兴趣。
所以我认为你是在赌场里玩。我建议你使用委员会，因为它可能会产生最佳效果。我个人对这样的工作条件并不满意。我不能在新的数据上重新训练网络，这样做会引入错误，而且没有收益，如果在重新训练后，再在这段历史上测试网络，就没有收益。
是的，我想我已经得到了它。有初始随机化的网格的结果显然不需要完全重复。只要结果在某个小范围内是稳定的就够了。
例如，它看起来是这样的。
方案1:
例子2:
除了在两种情况下进行的初始化之外，输入数据是相同的。
这就对了，同志!