нейросеть .. вопросы новичка по статье Yury V. Reshetova - страница 2

Линия - это линия, а плоскость - это плоскость. Не надо путать понятия. Ознакомьтесь с геометрией для начальной школы.

да, с геометрией я как раз и пытаюсь разбираться...нулевая линия ...когда я это спрашивал я представлял ее как секущую плоскость (просто угол зрения такой), а показатели идикатора как точки находящиеся на определенном расстоянии от нее (плоскости)..

Если уж считать все основные камни, то их 2

1. Что подать на вход

2. Как интерпретировать выход

ибо сама математика сетей не особо сложна...

Еще раз для особоодаренных. Линия - это линия, а плоскость - это плоскость.

Если в уравнении:

1. Нет переменных - это точка.

2. Одна переменная - это линия.

3. Более одной переменной - это плоскость.

Возможно, здесь будет понятнее нестандартный подход.

Как знать. Возможно автор ветки, - будущий авторитет в тактическом подходе к анализу рынка.

Попробуйте "размерность исследуемого пространства" задавать так, как делал это писатель-классик А.Мирер:

точка - одномерное

линия - двухмерное

угол - трехмерное

треугольник - четырехмерное

.... ...

и т.д.

я продолжу

пятиугольник - пятимерное

шестиугольник - шестимерное

семиугольник - семимерное

восьми угольник - восьмимерное

.....

фигуры на проскости из за количества углов никакова отношения к многомерному пространству не имеют.

издёвки издёвки .... спасибо гаспадину Reshetovu за замечания ... из вашей формы подачи я понимаю многое....я работаю над собой.....спасибо rid за оптимизм по поводу будущева...ну и конечно Figar0 благодаря ему мне показалось что я начал понимать...

Я не хочу тут никого обижать и просто выскажу своё мнение. Зачем геометрия тут нужна чтобы понять нейронные сети? Всё намного проще. Подаёте на вход первых нейронов (first hidden layer) взвешенные входные данные включая байэс w0 (x=w0+w1*x1+w2*x2+...). Каждый нейрон имеет свои входные коэффициенты взвешивания w0, w1, w2 ... Нейроны имеют нелинейную функцию активации y=F(x). В простейшем случае,

F(x) = -1 if x<=-1, x if -1<x<1, 1 if x>=1

Выходы первых нейронов подаются на входы вторых нейронов (second hidden layer или output layer) с новыми весами так что z=F(w0+w1*y1+w2*y2+...). Обычно на этом остнавливаются и считают что выходы вторых нейронов - это выходы сети. Таким образом получаем двуслойную сеть. Так как функция активации нейрона не может давать значения >1 или <-1, то задаём уровень классификации -1<z0<1. При использовании байэса w0, выбор z0 не важен и можно просто сделать z0=0. То есть, если z>0, то покупаем. Елси z<0, то продаём. Выбор > или < тоже не важен если допустить положительные и отрицательные знчения w0, w1, w2... при оптимизации.

В случае уважаемого Решетова, сеть однослойна. Однослойные сети называются perceptron. Взвешенные входные данные просто суммируются и сравниваются с уровнем классификации:

w1*x1+w2*x2+... > y0 покупаем

w1*x1+w2*x2+... <= y0 продаём

Нелинейная функция активации нейрона здесь не нужна так как математический результат классификации не изменится.

если поставить две линии секущие плоскость, т.е. порог бай, порог селл,

тогда тренировка персептрона в этом советнике будет ошибочной.
поэтому тренировать отдельно.
т.е.
- - проводим обучение без порога, и затем на тренированный персептрон накладываем порог.

На самом деле, это зависит от того, как в дальнейшем интрепретируется состояния выхода в советнике. Какие действия в нем предписаны "неопределенному" состоянию, если никакие, то Вы совершенно правы. Но что-то тут уже "серьезные" разговоры пошли, человек спросил лишь несколько "напутственных" слов)