你如何实际评估一个 "特定 "的输入对NS的贡献？
不算是星期五，但是......。
有一个NS，任何NS，有一个输入A={A1, A2, ....A20}.训练NS，获得满意的结果。我们如何实际评估输入A1、A2、...的每个元素的贡献？A20的这个结果？
我脑海中的选项是。
1）以某种方式总结和计算元素通过网络时的所有权重。我不太清楚怎么做，我必须沉浸在网络操作中，并以某种方式计算一些系数，等等。
2) 尝试以某种方式 "归零"，或者例如倒转输入矢量的一个元素，看看它对最终结果有何影响。到目前为止，我已经确定了这一点。
但在意识到这第二个变体之前，我决定征求我的意见。也许有人在这个问题上思考的时间比我长？也许有人可以提供一个书本-文章的建议？
或者也许排除这个输入，尝试在没有这个输入的情况下进行教学。如果结果几乎相同，你还没有真正消除正确的元素 :)
或者也许排除这个输入，尝试在没有这个输入的情况下进行训练。如果结果几乎相同，那么我们还没有排除正确的元素 :)
情况是这样的：这种方法将在很大程度上取决于训练方法，或者说训练的能力，以找到绝对最大值。例如，我在这方面没有任何幻想，我确信用GA来训练300个权重，我不会找到它。所以有些地方最大，但这很适合我。 通过排除一些东西，我可以得到一个同样好的结果，但只是NS的一个不同的变体。 但如果我可以通过ISC来训练NS，即找到唯一正确的解决方案--那么我就会这样做。
在任何情况下，我的任务是不同的：有一个NS，有一个输入，有一个学习结果，必须找到输入的每个元素对最终结果的影响程度。
这里的情况如下：这种方法将在很大程度上取决于学习的方法，或者说学习的能力，以找到绝对的最大值。我对此不抱幻想，我肯定不能通过用GA训练300个重量来找到绝对最大值。所以有些地方最大，但这很适合我。 通过排除一些东西，我可以得到一个同样好的结果，但只是NS的一个不同的变体。 但如果我可以通过ISC来训练NS，即找到唯一正确的解决方案--那么我就会这样做。
在任何情况下，我的任务是不同的：有一个NS，有一个输入，有一个学习结果，必须找到输入的每个元素对最终结果的影响程度。
那么你的选项2。但可能不是归零或反转，而是用随机（噪音）来代替它
但用随机（噪音）取代它
另一个选择是尝试所有网络的1个输入，然后2个输入，然后3个输入，等等。:-)
这正是我所想的...。我应该以某种方式尝试说明输入的相互联系，即也排除或包括组中的输入。
这些结果非常有趣，但我不知道如何解释它们)。
开始实验，消除了1到5个输入的不同组合。结果非常有趣，但我还不知道如何解释它们）有些结果实在是出乎意料...我将不得不在很长一段时间内挠头。
有什么惊喜？
每种输入的影响程度实际上是无法评估 的。有各种各样的数学公式，专门的软件可以自动计算出影响程度。但所有这些计算都只是一个常规值，其实并不能说明什么，因为它可能有很大的误差。
根据经验，只有交易者根据自己的经验知道哪种工具对另一种工具有更大的影响（当谈到多币种进场时），才能确定这一点。
如果我们谈论的是选择指标作为我们交易的同一符号的输入，从各种指标中选择输入对神经网络的输出几乎没有影响，因为神经网络是非常非线性的，因此它几乎不关心输入的是什么--随机的或mcd的或其他的。因此，肯定会有一些差异，但不是剧烈的或一般明显的差异，实际上不影响结果。
不算是星期五，但是......。
有一个NS，任何NS，有一个输入A={A1, A2, ....A20}.训练NS，获得满意的结果。我们如何实际评估输入A1、A2、...的每个元素的贡献？A20的这个结果？
我脑海中的选项是。
1）以某种方式总结和计算元素通过网络时的所有权重。我不太清楚怎么做，我必须沉浸在网络操作中，并以某种方式计算一些系数，等等。
2) 尝试以某种方式 "归零"，或者例如反转输入矢量的一个元素，看看它对最终结果有何影响。到目前为止，我已经确定了这一点。
但在意识到这第二个变体之前，我决定征求我的意见。谁可能在这个问题上思考的时间比我长？也许有人可以提供书本-文章的建议？