因此，结果是：一方面，NS的分层越多，其预测能力越高，但建立超过三层是毫无意义的--三层网格已经是一个通用的近似器。另一方面，被称为NS的黑匣子所做的一切是寻找和利用市场中的准稳定过程。没有其他办法了。确切地说，准稳态，根本不是稳态（市场上根本没有这种过程），也不是非稳态（这种过程原则上不能利用）。我在上面给出了一个链接，推导出NS突触的数量--w、其输入的维度--d 和训练样本的最佳长度 P 之间的最佳关系（4或5页的主题）：w^2=P*d
因此，结果是：一方面，NS的分层越多，其预测能力越高，但建立超过三层是毫无意义的--三层网格已经是一个通用的近似器。另一方面，被称为NS的黑匣子所做的一切是寻找和利用市场中的准稳定过程。没有其他办法了。确切地说，准稳态，根本不是稳态（市场上根本没有这种过程），也不是非稳态（这种过程原则上不能利用）。我在上面给出了一个链接，推导出NS突触的数量--w、其输入的维度--d 和训练样本的最佳长度 P 之间的最佳关系（4或5页的主题）：w^2=P*d
如果你是做3D图形和动画的，你会自己编写3DStudioMAX吗？
这些是不同的事情...
我给了你一个具体的例子...尝试改变你最喜欢的神经网络程序中的误差函数...
轻描淡写地说，你想说2DMAX在功能和代码大小方面等于Neuroshell ????
好，好...
而你不允许以下想法--为了用这个程序获得利润，你不需要修改其中的这个错误函数？
由于你的这个亲切的声明，我们现在知道，你在NS最好的专家的亲属中没有或没有优化的概念。
而你又不允许有以下想法--你生活在一个与我们有些不同的国家。
因此，你不应该有一个软件来全面优化NN的创建和使用？
由于你的这个亲切的声明，我们现在知道，你在你的亲属中没有也没有优化的概念，从NS的最好。
:-)
你明白你写的是什么吗？)))
无论你如何扭曲NS，无论你给它的投入是什么，当然没有奇迹!
因此，结果是：一方面，NS的分层越多，其预测能力越高，但建立超过三层是毫无意义的--三层网格已经是一个通用的近似器。另一方面，被称为NS的黑匣子所做的一切是寻找和利用市场中的准稳定过程。没有其他办法了。确切地说，准稳态，根本不是稳态（市场上根本没有这种过程），也不是非稳态（这种过程原则上不能利用）。我在上面给出了一个链接，推导出NS突触的数量--w、其输入的维度--d 和训练样本的最佳长度 P 之间的最佳关系（4或5页的主题）：w^2=P*d
因此，国家统计局的复杂性越高，其训练样本的长度就越大。不仅训练的复杂性随着P^3的增加而增加，而且数据也可能是不充分的!但最大的陷阱在于你没有想到的地方--准稳定过程（那些我们的NS在cotier中识别出来，然后利用的过程）有一个特征寿命（在所有，与零不同，比一些小）。很明显，在一个大的训练样本上，所选过程的变化概率更高......你看到了吗？训练样本越短越好--被市场情绪变化搞垮的几率越小!在这里，似乎 "哪一个更好--2层的NS与短暂的训练样本，或强大的3层与后面的三所大学（在学习时，一切都变得不必要了）？"的答案，将由一个简单的实验给出。
为此，我在Mathcad中抛出了三个网格--1、2和3，并比较了预测提前一个计数的kotier增量符号的结果（我收集了100个独立实验的统计数据）。结果如下。
1-p=10%正确猜到的标志（概率=1/2+p）。
2 - 15-16%
3 - 12%
这里有一些自由参数：输入的尺寸和层中的神经元数量。第一个参数对所有架构都是一样的，第二个参数是个人选择的。我们看到，3层NS网格并不是万能的，也许对我们这些交易员来说，MTS分析单元的最佳选择是两层网格--从最大预测精度和对训练复杂性的最低要求的角度来看（RS的力量，大历史及其不增长）。
无论你如何扭曲NS，无论你给它的投入是什么，当然没有奇迹!
因此，结果是：一方面，NS的分层越多，其预测能力越高，但建立超过三层是毫无意义的--三层网格已经是一个通用的近似器。另一方面，被称为NS的黑匣子所做的一切是寻找和利用市场中的准稳定过程。没有其他办法了。确切地说，准稳态，根本不是稳态（市场上根本没有这种过程），也不是非稳态（这种过程原则上不能利用）。我在上面给出了一个链接，推导出NS突触的数量--w、其输入的维度--d 和训练样本的最佳长度 P 之间的最佳关系（4或5页的主题）：w^2=P*d
因此，国家统计局的复杂性越高，其训练样本的长度就越大。不仅训练的复杂性随着P^3的增加而增加，而且数据也可能是不充分的!但最大的陷阱在于你没有想到的地方--准稳定过程（那些我们的NS在cotier中识别出来，然后利用的过程）有一个特征寿命（在所有，与零不同，比一些小）。很明显，在一个大的训练样本上，所选过程的变化概率更高......你看到了吗？训练样本越短越好--被市场情绪变化搞垮的几率越小!在这里，似乎 "哪一个更好--2层的NS与短暂的训练样本，或强大的3层与后面的三所大学（在学习时，一切都变得不必要了）？"的答案，将由一个简单的实验给出。
为此，我在Mathcad中抛出了三个网格--1、2和3，并比较了预测提前一个计数的kotier增量符号的结果（我收集了100个独立实验的统计数据）。结果如下。
1-p=10%正确猜到的标志（概率=1/2+p）。
2 - 15-16%
3 - 12%
这里有一些自由参数：输入的尺寸和层中的神经元数量。第一个参数对所有架构都是一样的，第二个参数是个人选择的。很明显，3层NS网格不是万能的，也许对我们这些交易员来说，MTS分析单元的最佳选择是两层网格--从最大预测精度和对训练复杂性的最低要求（RS的力量，大历史及其不增长）的角度来看。
我不知道是否有人尝试用NS来预测彩票号码？
gpwr，你在取笑大家!- 这是关于预测彩票号码的问题。并请删除我的帖子的引文--它将为你的帖子增加更多的地方特色:-)
我在上面已经给出了NS突触的数量--w，其输入维度--d 和训练样本的最佳长度 P 之间的最佳关系的结论链接（4或5页的主题）：w^2=P*d