神经网络和输入 - 页 37 1...303132333435363738394041 新评论 Vladimir Perervenko 2013.12.16 08:19 #361 从我读到的内容来看，你似乎很喜欢哈特利的转变。我想知道为什么？我无法评论你的偏好，但我认为这非常复杂。我认为使用将系列分解 为趋势/季节，分别对每个系列进行预测，并将其总和返回到图表中，是比较容易的做法。 IMHO。 我在上面已经写过，神经网络或神经网络的集合不是预测的最佳模型，特别是对于非平稳序列。 今天，有更多高效的模型。 预测一个系列的未来值（回归）是很诱人的，但却很费力。我在这上面花了很多时间，却没有任何实际的结果。 现在只是分类，效果很好。 好运。 Дмитрий 2013.12.16 10:02 #362 vlad1949: 从我读到的内容来看，你似乎很喜欢哈特利的转变。我想知道为什么？ 现在只是分类，结果很好。 对哈特利没有特别的偏好，选择它是因为它更容易使用，没有想象的成分。 分类就是权力。我在考虑用分类法把一个训练基地分成几个部分，每个部分都有自己的类。 我在实验中使用了神经网络的集合体，因为我想提高预测的准确性，在未来我想使用集合体在分类的训练基础上进行训练。 谢谢你的兴趣。 Vladimir Perervenko 2013.12.16 12:35 #363 在你的主题中作出了回应。 "神经网络组合在排泄物 中的应用.... " 打错了吗？ 好运 Дмитрий 2013.12.16 16:19 #364 纠正了。 Vizard 2014.01.25 10:11 #365 vlad1949: 不，合奏组比DT、Mlp和SVM更好。接下来给出的是RF和ada的数字，它们的效果更好。 为了清晰起见，可能最好采取更简单的方式.........让我们说一个经典的 费舍尔的 光圈，看一看，看一看...+大概的计算时间...(setosa = 1,virginica = 0,versicolor = -1 (其他数值也可以))颜色=输入...黑色=触摸（虹膜视图）在1个屏幕上...下一个...在所有屏幕上蓝色=触摸......粉色=模型输出...... 50%格拉芙 = 观察取样...50% = 测试取样... 附加的文件： smzeq_ayvfxd_s4.zip 1 kb Vizard 2014.01.25 10:12 #366 KK(KOH卡) 15x15=2-3秒 20x20=3-4秒 Mbs（相邻法）=1秒或更少 Vizard 2014.01.25 10:15 #367 Ns（神经网络-skr层）) 3x-sec (4-2-1)=20秒或以上 这是它变得有趣的地方... 我们可以看到在0处的喋喋不休（在我们的例子中，我们可以用一个简单的动作（过滤器）来删除它 以便将来不使用更重的ns) 可能类似的事情发生在你身上...因此，有一个更糟糕的错误计算......。 我不知道R中的赋值率是什么，也不知道它是如何计算的，我可能是错的。 较重的Ns... 3次scrsl (8-4-2)=30秒或以上 更好地切... etc.... ====================== 底线... 1.使用不同的算法，有可能同样成功地解决分类问题。 2.问题的解决时间取决于所应用的算法。 3.要对数据进行正面分类，最好使用专门设计的算法。 Vladimir Perervenko 2014.02.01 07:44 #368 Vizard: 用更简单的东西来说明这个问题可能更好... ...让我们说一个经典的费舍尔的光圈，看一看，看一看...+大概的计算时间... (setosa = 1,virginica = 0,versicolor = -1 (其他数值也可以)) 颜色=输入...黑色=触摸（虹膜视图）在1个屏幕上...下一个... 在所有屏幕上蓝色=触摸... 粉色=模型输出... 50%格拉芙=客观取样...50%=测试... 在这里，我们走了。我们要不要对鸢尾花进行分类？就我们的主题采取具体的数据，并举出一个例子。 我们为什么要在鸢尾花上锻炼？让别人去练手吧。 争论方法的优劣是一项艰巨的任务。每个人都有自己的偏好。我个人在选择方法时，从一个简单的前提出发--一个方法应该在不进行任何初步转换的情况下 与各种输入数据（包括数字和名义）一起工作。 让我解释一下原因。有大量的输入数据的预处理方法（我知道有20多种）。而根据它，我们得到不同的结果。因此，我们需要选择最佳的输入数据集、准备这些数据的最佳方式以及按任何标准都能得到最佳结果的最佳方法。如果我们不能摆脱第一个和最后一个，我们至少需要摆脱第二个。 关于准确度标准的问题--它是某一类的正确分类案例与同一类别的案例总数的比率。 祝好运 Vizard 2014.02.01 18:12 #369 vlad1949: 就个人而言，在选择方法时，我从一个简单的前提出发--该方法应该在不进行任何预转换的情况下， 对不同的输入数据（包括数字和名义）进行处理。 让我解释一下原因。有大量的输入数据的预处理方法（我知道有20多种）。而根据它，我们得到不同的结果。因此，我们需要选择最佳的输入数据集、准备这些数据的最佳方式以及按任何标准都能得到最佳结果的最佳方法。如果我们不能摆脱第一个和最后一个，至少我们需要摆脱第二个。你是一个 "可怕的人"）） ，这种方法是...随机森林 就可以了... 好运气... [删除] 2014.02.02 04:46 #370 Vizard: 你是一个 "可怕的人" )))) 对于这种方法，是的......随机的木材是好的...... 好运气... 无论如何，你指的不是RandomForest吗？ 1...303132333435363738394041 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
从我读到的内容来看，你似乎很喜欢哈特利的转变。我想知道为什么？我无法评论你的偏好，但我认为这非常复杂。我认为使用将系列分解 为趋势/季节，分别对每个系列进行预测，并将其总和返回到图表中，是比较容易的做法。
IMHO。
我在上面已经写过，神经网络或神经网络的集合不是预测的最佳模型，特别是对于非平稳序列。
今天，有更多高效的模型。
预测一个系列的未来值（回归）是很诱人的，但却很费力。我在这上面花了很多时间，却没有任何实际的结果。
现在只是分类，效果很好。
好运。
从我读到的内容来看，你似乎很喜欢哈特利的转变。我想知道为什么？
现在只是分类，结果很好。
对哈特利没有特别的偏好，选择它是因为它更容易使用，没有想象的成分。
分类就是权力。我在考虑用分类法把一个训练基地分成几个部分，每个部分都有自己的类。
我在实验中使用了神经网络的集合体，因为我想提高预测的准确性，在未来我想使用集合体在分类的训练基础上进行训练。
谢谢你的兴趣。
在你的主题中作出了回应。
"神经网络组合在排泄物 中的应用.... " 打错了吗？
好运
不，合奏组比DT、Mlp和SVM更好。接下来给出的是RF和ada的数字，它们的效果更好。
为了清晰起见，可能最好采取更简单的方式.........让我们说一个经典的
费舍尔的 光圈，看一看，看一看...+大概的计算时间...(setosa = 1,virginica = 0,versicolor = -1 (其他数值也可以))颜色=输入...黑色=触摸（虹膜视图）在1个屏幕上...下一个...在所有屏幕上蓝色=触摸......粉色=模型输出......
50%格拉芙 = 观察取样...50% = 测试取样...
15x15=2-3秒
20x20=3-4秒
Mbs（相邻法）=1秒或更少
3x-sec (4-2-1)=20秒或以上
这是它变得有趣的地方...
我们可以看到在0处的喋喋不休（在我们的例子中，我们可以用一个简单的动作（过滤器）来删除它
以便将来不使用更重的ns)
可能类似的事情发生在你身上...因此，有一个更糟糕的错误计算......。
我不知道R中的赋值率是什么，也不知道它是如何计算的，我可能是错的。
较重的Ns...
3次scrsl (8-4-2)=30秒或以上
更好地切...
etc....
======================
底线...
1.使用不同的算法，有可能同样成功地解决分类问题。2.问题的解决时间取决于所应用的算法。
3.要对数据进行正面分类，最好使用专门设计的算法。
用更简单的东西来说明这个问题可能更好...
...让我们说一个经典的费舍尔的光圈，看一看，看一看...+大概的计算时间...
(setosa = 1,virginica = 0,versicolor = -1 (其他数值也可以))
颜色=输入...黑色=触摸（虹膜视图）在1个屏幕上...下一个...
在所有屏幕上蓝色=触摸... 粉色=模型输出...
50%格拉芙=客观取样...50%=测试...
在这里，我们走了。我们要不要对鸢尾花进行分类？就我们的主题采取具体的数据，并举出一个例子。
我们为什么要在鸢尾花上锻炼？让别人去练手吧。
争论方法的优劣是一项艰巨的任务。每个人都有自己的偏好。我个人在选择方法时，从一个简单的前提出发--一个方法应该在不进行任何初步转换的情况下 与各种输入数据（包括数字和名义）一起工作。 让我解释一下原因。有大量的输入数据的预处理方法（我知道有20多种）。而根据它，我们得到不同的结果。因此，我们需要选择最佳的输入数据集、准备这些数据的最佳方式以及按任何标准都能得到最佳结果的最佳方法。如果我们不能摆脱第一个和最后一个，我们至少需要摆脱第二个。
关于准确度标准的问题--它是某一类的正确分类案例与同一类别的案例总数的比率。
祝好运
就个人而言，在选择方法时，我从一个简单的前提出发--该方法应该在不进行任何预转换的情况下， 对不同的输入数据（包括数字和名义）进行处理。 让我解释一下原因。有大量的输入数据的预处理方法（我知道有20多种）。而根据它，我们得到不同的结果。因此，我们需要选择最佳的输入数据集、准备这些数据的最佳方式以及按任何标准都能得到最佳结果的最佳方法。如果我们不能摆脱第一个和最后一个，至少我们需要摆脱第二个。
，这种方法是...随机森林 就可以了...
好运气...
你是一个 "可怕的人" ))))
对于这种方法，是的......随机的木材是好的......
好运气...
无论如何，你指的不是RandomForest吗？