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)。