258 ответов в эту тему

[analitic]

srotanov, on 19 July 2015 - 05:20, сказал:

Торонто 2-1 Филадельфия П1 Кэф=1,96
Промежуточный обобщённый результат:
Выигрыш - 19; Воврат - 4; Проигрыш - 23.
Следующий прогноз:
14.45 - Шанхай Шэньсинь - Шицзячжуан П1 Кэф=2,94

х2

[analitic]

Статистика на русском только в 6-й версии? На английском вообще ничего не разобрать.
Если только в 6-й, у меня на 7-ке она что-то не идет

[analitic]

А если один выход - разница забитых мячей (первая команда минус вторая), какой должна быть выходная переменная и функция активации на выходе?

[srotanov]

14.45 - Шанхай Шэньсинь 0-0 Шицзячжуан П1 Кэф=2,94
Промежуточный обобщённый результат:
Выигрыш - 19; Воврат - 4; Проигрыш - 24.
Следующий прогноз:
22.00 - Спорт Ресифи - Сан-Паулу П1 Кэф=2,49

[analitic]

У меня тоже П1. Вероятно 2-1

по одному из методов П1 и Х почти равны, по остальным 2-м П1

[srotanov]

А как же ты Ротштейна тогда на английском читал?

Смотря какой диапазон значений принимает выходная переменная. У тебя какой диапазон значений она должна принимать?

У меня 6 версия тоже не идёт. Но зато в шестёрке больше возможностей по изменению архитектуры и параметров сетей.

[analitic]

srotanov, on 19 July 2015 - 21:33, сказал:

А как же ты Ротштейна тогда на английском читал?

Смотря какой диапазон значений принимает выходная переменная. У тебя какой диапазон значений она должна принимать?

У меня 6 версия тоже не идёт. Но зато в шестёрке больше возможностей по изменению архитектуры и параметров сетей.

Я в инете переведенную статью нашел ... Здесь я ссылку на английскую скинул, чтобы тебе суть была понятна

Ссылку с инета я не помню... Просто скачал pdf файл

[analitic]

я думаю от -5 до 5... Т.е. разница мячей от крупного проигрыша до крупного выигрыша по первой команде

[srotanov]

analitic, on 19 July 2015 - 22:52, сказал:

я думаю от -5 до 5... Т.е. разница мячей от крупного проигрыша до крупного выигрыша по первой команде

Если мне не изменяет память, то с несколькими значениями переменную достаточно непросто реализовать. Проще сделать 10 выходных переменных на каждую разность.

[analitic]

О_о

Разве так легче?

[srotanov]

analitic, on 20 July 2015 - 00:24, сказал:

О_о

Разве так легче?

В выходном слое 10 нейронов будет. Что сложного?

[Bambuk]

analitic, on 19 July 2015 - 13:05, сказал:

А если один выход - разница забитых мячей (первая команда минус вторая), какой должна быть выходная переменная и функция активации на выходе?

Зачем делать такой Выход? Это не оптимальный вариант. Что Вы потом собираетесь делать с этим сигналом? По идее не зависимо что делать если уж так нужно именно это---можно
допустим взять по 5-6 голов на команду а потом там где больше приписать 5(6) но делать два нейрона--1--будет давать сумму(тотал) а второй разность (дело в том что разность по частоте будет в большей степени отвечать 0, 1 или 2 гола и там сложно будет различать 0 или 1 допустим для некоторых пар.)
допустим если взяли 6 голов то надо попробовать загнать выходной сигнал в интервал -1...1 просто делением на 6 (а тотал на 12). Но тогда после обучения Вам надо будет интерпретировать ответы сети под ваши нужды--самое простое задавать диапазоны выходного сигнала (лов). функция которая потянет разность--гиперболический тангенс.
Тотал можно тоже нормировать иначе чем тупо делить на 12 (что не оптимально), если ставить два однотипных нейрона(гиперб. тан.) а не разные то можно тотал допустим так сделать--- (Значение тотала-2,5)/6. Если Вы чисто для конкретных фор хотите использовать, то зачем Вам вообще этот замес с разностью? Вы пишите "1" как ответ если фора пробита и "0" если нет (тогда лучше под каждую фору которая нужна сделать свою сеть).

Отредактировано Bambuk, 20 July 2015 - 10:27.

[Bambuk]

Вместо средних значений по забитым-пропущенным для каждой ком. (если они допустим подаются на вход в каком-то варианте (имею в виду дом/гость или по общаку или то и другое))
лучше подавать распределения (но чтоб не делать слишком много входов можно ограничить числом голов даже 4 тогда всё что выше по голам для команды переносится в 4) .
получите 4-вектора распределений для пары команд (это частоты по экспериментальным данным забить 0-1-2-3 или 4 мяча ну и для пропущенных так же). Выигрыш там не шибко большой по качеству но он есть.

Отредактировано Bambuk, 20 July 2015 - 10:36.

[analitic]

Bambuk, on 20 July 2015 - 10:20, сказал:

Зачем делать такой Выход? Это не оптимальный вариант. Что Вы потом собираетесь делать с этим сигналом? По идее не зависимо что делать если уж так нужно именно это---можно
допустим взять по 5-6 голов на команду а потом там где больше приписать 5(6) но делать два нейрона--1--будет давать сумму(тотал) а второй разность (дело в том что разность по частоте будет в большей степени отвечать 0, 1 или 2 гола и там сложно будет различать 0 или 1 допустим для некоторых пар.)
допустим если взяли 6 голов то надо попробовать загнать выходной сигнал в интервал -1...1 просто делением на 6 (а тотал на 12). Но тогда после обучения Вам надо будет интерпретировать ответы сети под ваши нужды--самое простое задавать диапазоны выходного сигнала (лов). функция которая потянет разность--гиперболический тангенс.
Тотал можно тоже нормировать иначе чем тупо делить на 12 (что не оптимально), если ставить два однотипных нейрона(гиперб. тан.) а не разные то можно тотал допустим так сделать--- (Значение тотала-2,5)/6. Если Вы чисто для конкретных фор хотите использовать, то зачем Вам вообще этот замес с разностью? Вы пишите "1" как ответ если фора пробита и "0" если нет (тогда лучше под каждую фору которая нужна сделать свою сеть).

это было бы вообще идеальным вариантом... Тогда можно было бы прогнозировать даже точный счет
Но осуществимо-ли?

я про два выхода - с тоталом и разностью голов во встрече

[analitic]

Макросы, если написать грамотный алгоритм и программу могут заменить нейросети? Или все-таки нейросети, по своей сути, уникальны?

[Bambuk]

analitic, on 20 July 2015 - 16:32, сказал:

Макросы, если написать грамотный алгоритм и программу могут заменить нейросети? Или все-таки нейросети, по своей сути, уникальны?

Вы почитали бы про сети эти побольше хоть... конечно можно написать самому программу и даже будет лучше так как можно внести некоторые нюансы по отслеживанию требуемых параметров в алгоритм. Все эти обучалки достаточно срёмная вещь и требуют многократного прогона с начальных разных точек с последующим анализом дебет-кредет по кефам непосредственно--очень муторно. Потом там в зависимости от выставленных параметров--скорости обучения итд (если сеть это позволяет а не сама там мудит) можно приходить к разным значениям и можно сеть самому останавливать. Примитивные алгоритмы не используют регуляризацию или если используют то скрыто и нельзя выставить некие параметры этого дела (допустим чтоб веса на связях нейронов сильно не росли...)..потом можно попасть в локальный минимум и не смочь выйти из него по неопытности (но потом можно конечно понять прогнав несколько резов моделирования через дебет---кредет...). Иногда важно с какого опорного "плана" стартовать (обычно если очень много входных сигналов-- там случайно задают начальную точку итераций)...в целом гимор там конечно большой. По идее можно и в екселе простенькую сеть сделать вообще ни чего не зная об алгоритмах обучения--так как это просто одна из задач оптимизации(а в екселе есть "поиск решения") с точки зрения математики, а сеть с её алгоритмами --один из способов решения таких задач.... Поэтому можно почитать и об этом--алгоритмы оптимизации или типа того....(надо знать желательно основы функционального анализа..ну сейчас но проблем--есть нет...в общих чертах можно почитать о чём угодно...реализовать конечно не всё так просто, так как некоторые вещи подразумевают более высокий уровень и профессиональный подход)....

Отредактировано Bambuk, 20 July 2015 - 18:23.

[analitic]

Bambuk, on 20 July 2015 - 18:19, сказал:

Вы почитали бы про сети эти побольше хоть... конечно можно написать самому программу и даже будет лучше так как можно внести некоторые нюансы по отслеживанию требуемых параметров в алгоритм. Все эти обучалки достаточно срёмная вещь и требуют многократного прогона с начальных разных точек с последующим анализом дебет-кредет по кефам непосредственно--очень муторно. Потом там в зависимости от выставленных параметров--скорости обучения итд (если сеть это позволяет а не сама там мудит) можно приходить к разным значениям и можно сеть самому останавливать. Примитивные алгоритмы не используют регуляризацию или если используют то скрыто и нельзя выставить некие параметры этого дела (допустим чтоб веса на связях нейронов сильно не росли...)..потом можно попасть в локальный минимум и не смочь выйти из него по неопытности (но потом можно конечно понять прогнав несколько резов моделирования через дебет---кредет...). Иногда важно с какого опорного "плана" стартовать (обычно если очень много входных сигналов-- там случайно задают начальную точку итераций)...в целом гимор там конечно большой. По идее можно и в екселе простенькую сеть сделать вообще ни чего не зная об алгоритмах обучения--так как это просто одна из задач оптимизации(а в екселе есть "поиск решения") с точки зрения математики, а сеть с её алгоритмами --один из способов решения таких задач.... Поэтому можно почитать и об этом--алгоритмы оптимизации или типа того....(надо знать желательно основы функционального анализа..ну сейчас но проблем--есть нет...в общих чертах можно почитать о чём угодно...реализовать конечно не всё так просто, так как некоторые вещи подразумевают более высокий уровень и профессиональный подход)....

никто и не говорит, что это легко... но ведь можно же собрать, что-то более менее оптимальное... Конечно ошибки везде бывают и будут, но максимально приблизить вероятность того или иного исхода всегда можно, отбросив сомнительные результаты

[analitic]

Bambuk, вообще интересно тебя слушать... Про "поиск решения" в экселе, сколько на нем работаю, вообще не слышал, ну или не придавал этому никакого значения. Сейчас стал просматривать и действительно стоит попробовать, для нахождения весов и членских переменных... Еще не до конца разобрался. Посмотрю, подходит для моей задачи или нет. Спасибо за подсказку

Где ты это все находишь? С твоими знаниями, уже давно можно было собрать отличную прогу

[Bambuk]

analitic, on 20 July 2015 - 22:53, сказал:

Bambuk, вообще интересно тебя слушать... Про "поиск решения" в экселе, сколько на нем работаю, вообще не слышал, ну или не придавал этому никакого значения. Сейчас стал просматривать и действительно стоит попробовать, для нахождения весов и членских переменных... Еще не до конца разобрался. Посмотрю, подходит для моей задачи или нет. Спасибо за подсказку

Где ты это все находишь? С твоими знаниями, уже давно можно было собрать отличную прогу

Я когда начал читать про сети (лет 8-9) тому назад, то у меня не было прог по сетям и первые свои сети для экспериментов я строил именно в екселе, конечно там совсем другой механизм подбора весов но суть-то это не меняет--Вам надо просто ввести целевую ячейку в которой собрать сумму квадратов отклонений всех ваших обучающих примеров от результата (выхода функции). Можно ввести и примитивную регуляризацию следующим образом---взять и просуммировать квадраты всех весов wij потом взять коэффициент к подбираемый экспериментально (надо просто смотреть какое значение в начале получается в сумме квадратов отклон от реза Y и в ячейке с регуляризацией а потом сложить
сумм1+к*сумм2--это будет новой целевой ячейкой.). Можно будет проводить некоторые эксперименты, смотреть внутренности и контролировать всё что вам нужно--например неплохо осуществлять контроль % примеров совпавших с реальным числом наступивших исходов(это только по % чисто выяснить доли)--допустим у вас линия 1Х2 там какое-то число (или доля от общего можно брать)
в обучающих заходов В какое-то Н и какое-то П пусть вот так 50-30-20 (пока считаем что 100 примеров всего..но это не важно для сути) потом когда сеть обучается она даёт максимальные значения на 3 выходных нейронах допустим так 0.6 0.4 0.2 тогда тупо считаем 0.6--это ответ сети (ну это для сравнения с %) маркируем это "1" (используем функции мах и если...листа) тогда вот подсчитав 1 вы можете сравнивать с исходником а то некоторые сети в екселе начинают тупить(если начальные вектора весов не так выбраны)
и будут учить выбирать только В и П например или в и Х ну итд. Потом там можно смотреть и % угадывания(то есть совпадения с экспериментом в ретро). Вот если сет "переучена" и процент угадывания большой то потом она будет хуже предсказывать (поэтому надо вовремя тормознуть обучать)....ну в целом там много тонкостей--это надо именно экспериментировать.

Отредактировано Bambuk, 22 July 2015 - 17:42.

[Bambuk]

Можно например учить только на тур--маркировать данные на которых обучаем если входные вектора близки к входному вектору пары команд тура--меру близости я брал расстояние в Евклидовом пространстве короче весь тур перебираем и выделяем маркерами(из обучающего набора) только примеры для обучения которые попадают внутрь радиус-вектора определяющего близость исходников к паре(ну по идее можно и каждую пару так учить но это долго просто, а так мы отсеиваем пары которые будут только "шум" создавать).