在交易中使用神经网络 - 页 14 1...789101112131415161718192021...40 新评论 Дмитрий 2013.01.31 10:18 #131 TheXpert: 啊,这很容易。只要它开始学习,这就足够了。 现在我将演示新的网络。有了所有的测试。 [删除] 2013.01.31 10:26 #132 TheXpert: 啊,这很简单。只要它开始学习,这就足够了。 Reshetov的Perseptron也学到了一些东西,但它显然不够....。 我认为,为了谈论充分性,必须以某种方式学会分析训练的结果,在OV上,取决于训练的时期(输入例子的数量),单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久,我觉得真理就在附近,但我无法把握它。 TheXpert 2013.01.31 10:33 #133 Figar0: 我在这个地方跌跌撞撞地走了很久,感觉真理就在附近的某个地方,但我却抓不住把柄。 嗯,不知道,这是最基本的事情。 Дмитрий 2013.01.31 10:35 #134 Figar0: Reshetov的Perseptron也学到了一些东西,但它显然不够....。 我认为,为了谈论充分性,必须以某种方式学会分析训练的结果,在OV上,取决于训练的时期(输入例子的数量),单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久,我觉得真理就在附近,但我无法掌握它。 我似乎已经掌握了它。在大样本上进行优化。我得到的缩减是低于净利润的。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我发一个例子。 [删除] 2013.01.31 10:39 #135 我在研究中使用了几种方法。 1)给网络一个左边的输入,好比太阳天气的每日变化,教它在这个输入上进行交易,例如一个月。在这里,纯形式的网应该表现出它的记忆/跟随能力。然后给予正常的输入。我试图以某种方式分析训练结果之间的差异。 2) 试图分析训练的结果与增加训练样本的大小有关。几乎所有的网络和配置,到某一时刻都有一个增加的结果,然后通常会出现停滞,进一步增加输入样本的数量可能会导致更糟糕的结果。 通过我的这些研究结果,我试图对网络的充分性和训练期做出结论,以及它们之间是否有任何联系。 这就是我进入这个话题的原因。也许有人会提出一些建议。 TheXpert 2013.01.31 10:51 #136 有一个累积的均方根误差。它可以针对不同的网络进行比较。并用它来确定它是否学到了什么。 Дмитрий 2013.01.31 10:52 #137 TheXpert: 有一个累积的均方根误差。它可以针对不同的网络进行比较。并用它来确定它是否学到了什么。 什么的错误? TheXpert 2013.01.31 10:53 #138 grell: 犯了什么错误? 当然是出口。 Дмитрий 2013.01.31 10:53 #139 TheXpert: 当然是出口。 而如果不预测产出,那么如何预测? [删除] 2013.01.31 10:54 #140 grell: 我有点摸不着头脑了。在大样本上进行优化。我得到的缩减量要比净利润低。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我将发布一个例子。 这很好,例如我很想看看专家顾问在培训期间到底是如何工作的,你认为这很成功。 1...789101112131415161718192021...40 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
啊,这很容易。只要它开始学习,这就足够了。
现在我将演示新的网络。有了所有的测试。
啊,这很简单。只要它开始学习,这就足够了。
Reshetov的Perseptron也学到了一些东西,但它显然不够....。
我认为,为了谈论充分性,必须以某种方式学会分析训练的结果,在OV上,取决于训练的时期(输入例子的数量),单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久,我觉得真理就在附近,但我无法把握它。
我在这个地方跌跌撞撞地走了很久,感觉真理就在附近的某个地方,但我却抓不住把柄。
Reshetov的Perseptron也学到了一些东西,但它显然不够....。
我认为,为了谈论充分性,必须以某种方式学会分析训练的结果,在OV上,取决于训练的时期(输入例子的数量),单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久,我觉得真理就在附近,但我无法掌握它。
我似乎已经掌握了它。在大样本上进行优化。我得到的缩减是低于净利润的。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我发一个例子。
我在研究中使用了几种方法。
1)给网络一个左边的输入,好比太阳天气的每日变化,教它在这个输入上进行交易,例如一个月。在这里,纯形式的网应该表现出它的记忆/跟随能力。然后给予正常的输入。我试图以某种方式分析训练结果之间的差异。
2) 试图分析训练的结果与增加训练样本的大小有关。几乎所有的网络和配置,到某一时刻都有一个增加的结果,然后通常会出现停滞,进一步增加输入样本的数量可能会导致更糟糕的结果。
通过我的这些研究结果,我试图对网络的充分性和训练期做出结论,以及它们之间是否有任何联系。 这就是我进入这个话题的原因。也许有人会提出一些建议。
有一个累积的均方根误差。它可以针对不同的网络进行比较。并用它来确定它是否学到了什么。
什么的错误?
犯了什么错误?
当然是出口。
而如果不预测产出,那么如何预测?
我有点摸不着头脑了。在大样本上进行优化。我得到的缩减量要比净利润低。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我将发布一个例子。