你如何实际评估一个 "特定 "的输入对NS的贡献? - 页 2 123456789...14 新评论 [删除] 2011.12.16 16:09 #11 nikelodeon: 有什么惊喜? 嗯,首先,我立即发现了一个长期存在的错误)。 其次,我认为,通过删除输入,我将降低输入的信息量,这样,国家统计局作为一个整体的有效性将被降低。有些投入会恶化很多,有些会恶化一点。也许我会找到这样的输入,它们根本不影响任何东西,我将删除它们以简化网络。当然,我发现了 "空 "的输入,我发现了没有这些输入的NS是无能的,但我也发现了输入,通过去除这些输入,我增加了整个NS的结果。 这让我很吃惊,要么是训练不好,要么是输入的内容太矛盾,根本就是有害的。 总而言之,这几天的思考是有意义的。 Vizard 2011.12.16 16:13 #12 Figar0: 嗯,首先我立即发现了一个长期存在的错误) 其次,我认为,通过删除输入,我将降低输入的信息量,这样,国家统计局作为一个整体的有效性将被降低。有些投入会恶化很多,有些会恶化一点。也许我会找到这样的输入,它们根本不影响任何东西,我将删除它们以简化网络。当然,我发现了 "空 "的输入,我发现了没有这些输入的NS是无能的,但我也发现了输入,通过去除这些输入,我增加了整个NS的结果。这让我很吃惊,要么是训练不好,要么是输入的内容太矛盾,根本就是有害的。 因此,我得到了几天的思考资料。 结果可能是,在下一次训练中(在不同的样本上)需要它们...... Alexey Burnakov 2011.12.16 16:17 #13 Figar0: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?也许有人可以提供一个书本-文章的建议? 一个常见而有效的方法是在训练后分析NS的重量。权重被初始化,以便它们的值与零没有明显差异,例如,平均值为0,标准差 为0.1。训练结束后,与不重要的输入有关的权重将模近于零,而与重要输入有关的权重将与零有很大差别。经测试--它在合成数据上起作用。 [删除] 2011.12.16 16:17 #14 LeoV: 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近似值,其实并不能说明什么,因为它可能有很大的误差范围。 是的,我一般都知道这一点,在同一统计中分析投入会更符合逻辑,但这与原则上转移一个工作系统的大量劳动成本有关。 我也理解解释这种实验的所有模糊性。但有一个好处,这是肯定的。 [删除] 2011.12.16 16:21 #15 Vizard: 结果可能是,在下一次训练中(在不同的样本上)需要它们...... 我想是的,但有一个NS,它被训练了,它工作了,所以它可以不需要被丢弃的输入,丢弃它们以简化网络,提高它的泛化能力,并以较低的成本提高学习的质量是有意义的。 Alexey Burnakov 2011.12.16 16:25 #16 Figar0: 这可能是事实,但有一个NS,它被训练了,它工作了,所以它可以没有被丢弃的输入,丢弃它们以简化网络,提高其通用性,并以较低的成本提高学习的质量是有意义的。 +100500.我同意。如果没有冗余输入,网络性能就不会下降,那么冗余输入的意义何在?我们需要摆脱他们,这是肯定的。 [删除] 2011.12.16 16:32 #17 alexeymosc: 一个常见而有效的方法是在训练后分析NS的重量。权重被初始化,以便它们的值与零没有明显差异,例如,平均值为0,标准差为0.1。训练结束后,与不重要的输入有关的权重将模近于零,而与重要输入有关的权重将与零有很大差别。经测试--它在合成数据上起作用。 这基本上是我想到的第一件事,但我想不出如何以更简单的方式在我的系统中实现这种分析。这就是为什么我采用了反向方法。 Mihail Marchukajtes 2011.12.16 16:55 #18 注意列奥尼德所写的内容,他是该死的正确。寻找输入对网络输出的影响是一项不可能的任务。是的,有可能筛选出不必要的,我同意,但实际上是不可能确定这个或那个输入对输出的影响。 现在想象一下这种情况。你已经找到了2个不会让净输出流失的输入。你增加了第三个输入,大大改善了网络运行。你的结论是什么?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。以及删除前两个条目中的一个,都不会给你一个满意的结果。另一个是将工作引向以下方向。 当你训练一个网络 时,你要搜索函数的局部最小值。更确切地说,我们寻找误差的全局最小值,但要从局部最小值移到全局最小值。 我经常遇到这样的情况:一个函数的局部最小值在未来显示出理想的结果。 任务很简单:为网络选择这样的输入(我们以后不必改变它们),使网络在训练期间有局部最小值,这将在未来赢得它们。 说,在训练过程中,你平均有大约10-20个局部最小值,而且其中至少有一个是正确的。但最好是尽可能多地选择有利可图的局部最小值......。 你觉得这个问题如何?????这更像是现实.... Alexey Burnakov 2011.12.16 17:27 #19 nikelodeon: 注意列奥尼德所写的内容,他是该死的正确。寻找输入对网络输出的影响是一项不可能的任务。是的,有可能筛选出不必要的,我同意,但实际上不可能确定这个或那个输入对输出的影响程度。 现在想象一下这种情况。你已经找到了2个不会让净输出流失的输入。你增加了第三个输入,大大改善了网络运行。你的结论是什么?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。就像你删除前两个条目中的一个一样,你不会得到满意的结果。另一件事是将工作引向这个方向。 这也是事实。还有一种相反的情况:理论上,有可能存在两个信息量大的输入和一个信息量小的输入。从逻辑上讲,你想去掉第三个,但如果你这样做,一个复杂的四边形相互关系(三个输入-输出)将被破坏,剩下的两个输入将不再有那么多的信息。而为了揭示这些复杂的相互关系,有必要应用这样的空间数学仪器,在技术上,它是发出的,那是哇哦(嗯,至少对我来说)。一切都很复杂,不要以为这很容易。NS是在80%的经验性搜索。 [删除] 2011.12.16 17:30 #20 nikelodeon: 现在想象一下这种情况。你已经发现了2个不允许网络前进的输入。你增加了第三个输入,对你有很大的帮助。你得出什么结论?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。以及删除前两个条目中的一个,都不会给你一个满意的结果。另一件事是将工作引向这个方向。 很明显,这些投入是相互关联的,对这种实验结果的解释是最重要的方面。我不仅逐个排除条目,而且还排除从1到5的不同组合(我想我将把这个范围扩大到所有条目的一半),类似于你增加一个条目,我看NS的反应变化,在训练和前进阶段。 nikelodeon: 当你训练一个网络时,你要搜索函数的局部最小值。更确切地说,我们寻找误差的全局最小值,但要从局部最小值移到全局最小值。 当一个函数的局部最小值在未来显示出理想的结果时,我不是很少甚至经常遇到这种情况。 任务很简单:找到这样的网络输入(我们以后不必改变它们),使网络在训练期间有局部最小值,从而赢得未来的结果。 说,在训练过程中,你平均有大约10-20个局部最小值,而且其中至少有一个是正确的。但最好是尽可能多地选择有利可图的局部最小值......。 你觉得这个问题如何?????这更像是现实.... 现实情况对每个人都不一样)特别是我不是在寻找最小的误差,我在寻找最大的利润,最小的缩水,满意的PF,等等。换句话说,我有局部的最大值,但这并不改变其本质。我的问题解决得很薄或很差,但在很长一段时间内... 123456789...14 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
有什么惊喜?
嗯,首先,我立即发现了一个长期存在的错误)。
其次,我认为,通过删除输入,我将降低输入的信息量,这样,国家统计局作为一个整体的有效性将被降低。有些投入会恶化很多,有些会恶化一点。也许我会找到这样的输入,它们根本不影响任何东西,我将删除它们以简化网络。当然,我发现了 "空 "的输入,我发现了没有这些输入的NS是无能的,但我也发现了输入,通过去除这些输入,我增加了整个NS的结果。 这让我很吃惊,要么是训练不好,要么是输入的内容太矛盾,根本就是有害的。
总而言之,这几天的思考是有意义的。
嗯,首先我立即发现了一个长期存在的错误)
其次,我认为,通过删除输入,我将降低输入的信息量,这样,国家统计局作为一个整体的有效性将被降低。有些投入会恶化很多,有些会恶化一点。也许我会找到这样的输入,它们根本不影响任何东西,我将删除它们以简化网络。当然,我发现了 "空 "的输入,我发现了没有这些输入的NS是无能的,但我也发现了输入,通过去除这些输入,我增加了整个NS的结果。这让我很吃惊,要么是训练不好,要么是输入的内容太矛盾,根本就是有害的。
因此,我得到了几天的思考资料。
结果可能是,在下一次训练中(在不同的样本上)需要它们......
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?也许有人可以提供一个书本-文章的建议?
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近似值,其实并不能说明什么,因为它可能有很大的误差范围。
是的,我一般都知道这一点,在同一统计中分析投入会更符合逻辑,但这与原则上转移一个工作系统的大量劳动成本有关。 我也理解解释这种实验的所有模糊性。但有一个好处,这是肯定的。
结果可能是,在下一次训练中(在不同的样本上)需要它们......
这可能是事实,但有一个NS,它被训练了,它工作了,所以它可以没有被丢弃的输入,丢弃它们以简化网络,提高其通用性,并以较低的成本提高学习的质量是有意义的。
一个常见而有效的方法是在训练后分析NS的重量。权重被初始化,以便它们的值与零没有明显差异,例如,平均值为0,标准差为0.1。训练结束后,与不重要的输入有关的权重将模近于零,而与重要输入有关的权重将与零有很大差别。经测试--它在合成数据上起作用。
这基本上是我想到的第一件事,但我想不出如何以更简单的方式在我的系统中实现这种分析。这就是为什么我采用了反向方法。
现在想象一下这种情况。你已经找到了2个不会让净输出流失的输入。你增加了第三个输入,大大改善了网络运行。你的结论是什么?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。以及删除前两个条目中的一个,都不会给你一个满意的结果。另一个是将工作引向以下方向。
当你训练一个网络 时,你要搜索函数的局部最小值。更确切地说,我们寻找误差的全局最小值,但要从局部最小值移到全局最小值。
我经常遇到这样的情况:一个函数的局部最小值在未来显示出理想的结果。
任务很简单:为网络选择这样的输入(我们以后不必改变它们),使网络在训练期间有局部最小值,这将在未来赢得它们。
说,在训练过程中,你平均有大约10-20个局部最小值,而且其中至少有一个是正确的。但最好是尽可能多地选择有利可图的局部最小值......。
你觉得这个问题如何?????这更像是现实....
注意列奥尼德所写的内容,他是该死的正确。寻找输入对网络输出的影响是一项不可能的任务。是的,有可能筛选出不必要的,我同意,但实际上不可能确定这个或那个输入对输出的影响程度。
现在想象一下这种情况。你已经找到了2个不会让净输出流失的输入。你增加了第三个输入,大大改善了网络运行。你的结论是什么?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。就像你删除前两个条目中的一个一样,你不会得到满意的结果。另一件事是将工作引向这个方向。
现在想象一下这种情况。你已经发现了2个不允许网络前进的输入。你增加了第三个输入,对你有很大的帮助。你得出什么结论?这种投入对净产出有很大影响。事实上,在整个交易期间,第三个入口只会产生一到两次的短线扰动。但正是这种干扰将是决定性的。虽然干扰的事实本身将是微不足道的。以及删除前两个条目中的一个,都不会给你一个满意的结果。另一件事是将工作引向这个方向。
很明显,这些投入是相互关联的,对这种实验结果的解释是最重要的方面。我不仅逐个排除条目,而且还排除从1到5的不同组合(我想我将把这个范围扩大到所有条目的一半),类似于你增加一个条目,我看NS的反应变化,在训练和前进阶段。
当你训练一个网络时,你要搜索函数的局部最小值。更确切地说,我们寻找误差的全局最小值,但要从局部最小值移到全局最小值。
当一个函数的局部最小值在未来显示出理想的结果时,我不是很少甚至经常遇到这种情况。
任务很简单:找到这样的网络输入(我们以后不必改变它们),使网络在训练期间有局部最小值,从而赢得未来的结果。
说,在训练过程中,你平均有大约10-20个局部最小值,而且其中至少有一个是正确的。但最好是尽可能多地选择有利可图的局部最小值......。
你觉得这个问题如何?????这更像是现实....
现实情况对每个人都不一样)特别是我不是在寻找最小的误差,我在寻找最大的利润,最小的缩水,满意的PF,等等。换句话说,我有局部的最大值,但这并不改变其本质。我的问题解决得很薄或很差,但在很长一段时间内...