joo>>: Хорошо, чуть позже (часа через 2-3), попробую обоснованно показать, каким образом профит (или что то другое, не важно, что мы хотим получить от сети) зависит от фитнес функции. А гарантию того, что мы получим профит в будующем, конечно, никто дать никогда не сможет. А вот к чему стремится должна сетка, пожалуй, мы должны определять для неё однозначно.
mrstock>>: Посмотрел, теперь понял почему у Вас 6-ой знак. Вы брали данные из будущего) целых 2 точки, которых в реале не существует) Фактически ваша сеть делала прогноз столбца М1 зная столбы А2 и А3))) Отсюда и рост точности. Хотя заметьте, дали данные из будушего (такая некислая подсказка прямо скажем), а точность выросла с 2-005 до 7-006)))) Забавно.
mrstock>>: В догонку. Не рекомендую вообще использовать тангенсы в статистике. Эти ребята творят чудеса. Они мне как то раз спрогнозировали цену на 25 баров вперед с апупительной точностью. Я сначала долго искал ошибку, а потом понял, что эти умельцы, тупо подогнали результат, но было чень красиво)))) Я использую только identity он наиболее точно описывают те кзадачи, которые я ставлю и не страдают подгонкой на истории.
在输入A,B,C,D,E,F,g,h,I，目标 - M
隐层激活函数tanh
每行数据中的三个点，你给了三行，总共有3*3=9个输入神经元。
我根据你给我的所有数据进行了训练。并向我提供了6502的培训实例。
Хорошо, чуть позже (часа через 2-3), попробую обоснованно показать, каким образом профит (или что то другое, не важно, что мы хотим получить от сети) зависит от фитнес функции. А гарантию того, что мы получим профит в будующем, конечно, никто дать никогда не сможет. А вот к чему стремится должна сетка, пожалуй, мы должны определять для неё однозначно.
任务。
比方说，我们有三个网格/TC。每个人都在一个10个学习数据集上进行测试。该表显示了抽象的目标值（可优化的）。我们感兴趣的是能尽可能多地产生目标函数最小值的网格/TS。我们将使用哪种优化算法（AO）并不重要。
示例1
所有的AO都有相同的误差之和。我们看到，如果我们使用均方根误差，AO将选择TC #3，因为它的值最小。
如果使用均方根误差，AO将选择TC #2，如果使用中位数也是如此。
例2
这里的情况更有趣。
一方面，TC#1还不错，但200的错误破坏了画面。TC3有稳定的结果，尽管不是最好的。
我们再次看到，如果我们使用均方根误差，AS会选择TC3，因为它的分数最低。
而如果我们使用均方根误差，AO会选择CU #2，但在中位数上，选择会停止在CU #1。
结论。
如果网络训练的目的是获得与目标曲线形式最相似的曲线，那么应该使用均方根误差（近似的任务）。
如果训练网络的目标是尽可能多地获得目标函数的最小/最低值， 你应该使用均方根误差（分类/聚类问题）。
Посмотрел, теперь понял почему у Вас 6-ой знак. Вы брали данные из будущего) целых 2 точки, которых в реале не существует) Фактически ваша сеть делала прогноз столбца М1 зная столбы А2 и А3))) Отсюда и рост точности. Хотя заметьте, дали данные из будушего (такая некислая подсказка прямо скажем), а точность выросла с 2-005 до 7-006)))) Забавно.
你给我的数据的顺序就是训练的顺序。如果你能以相反的顺序使用这些数据，你应该得到同样的结果。这是一个近似问题，向哪个方向训练没有区别。
В догонку. Не рекомендую вообще использовать тангенсы в статистике. Эти ребята творят чудеса. Они мне как то раз спрогнозировали цену на 25 баров вперед с апупительной точностью. Я сначала долго искал ошибку, а потом понял, что эти умельцы, тупо подогнали результат, но было чень красиво)))) Я использую только identity он наиболее точно описывают те кзадачи, которые я ставлю и не страдают подгонкой на истории.
把代码保存在C++中，看一看，那里没有奇迹。
PS 我不在交易中使用Statistica。
请看一下附件中的文件。
它的值是直接发送到NS的输入端，还是被归一化？
我 在fxexpert.ru论坛的 "MTS创作的神经网络原理 "主题中了解到，他们最终得出了一个结论。
那就是有必要对数值进行规范化处理，不直接取指标值或报价，而是取其变化。
Посмотрел вложенный файл.
Значения из него непосредственно подаются на вход НС, или всетаки нормируются?
На форуме fxexpert.ru в теме" Нейросетевые принципы создания МТС" я так понял,в конечном итоге пришли к выводу,
что необходимо обязательно значения нормировать, и брать не непосредственные значения индикаторов или котировок, а их изменение.
这个问题以前在这个主题中已经讨论过了。顶级启动者想完全按照......按照他的工作方式来工作。
如果训练网络的目标是获得与目标形状最相似的曲线，那么就应该使用均方根误差（近似任务）。
如果训练网络的目的是尽可能多地获得目标函数的最小/最低值，你必须使用均方根误差（分类/聚类任务）。