على الاطلاق ، من الممكن تجربة hyperparameters مختلفة للشبكة. هذا ما تم توفيره في وظيفة h2o.deeplearning: تم تنشيط التعليمة البرمجية المدرجة = c (Tanh، TanhWithDropout، Rectifier، RectifierWithDropout، Maxout، MaxoutWithDropout)، loss = c (Automatic، CrossEntropy، Quadratic، Huber، Absolute، quantile)، distribution = c ( AUTO، bernoulli، multinomial، gaussian، poisson، gamma، tweedie، laplace، quantile، huber) لست خبيراً في التعلم العميق حتى الآن ... ربما أكون أنا واحدًا من خلال إجراء الأبحاث ومناقشتها هنا
... لكن في رأيي ، فإن أفضل طريقة هي تجربة الخيارات المختلفة. إن h2o يحتوي على كود فعال تمامًا ، وعادة ما يستغرق تدريب مجموعة البيانات الخاصة بي حوالي 4 إلى 5 دقائق باستخدام 4 مراكز ، لذا فإن ما أفعله عادة هو كتابة حلقة for لمحاولة خيارات مختلفة وتسجيل نتائج الاختبارات. الطريقة التي أقوم بها في الاختبار هي محددة قليلاً (انظر أعلاه -1 1 فهرس). ما يعنيه ذلك هو استخدام النموذج لأداء التنبؤات بتغير السعر على الملاحظات غير المرئية ، شريطة أن نعرف الحقيقة على الأرض أنها طريقة مثالية لتقدير التجارة الإلكترونية المبسطة: فعليًا شراء أو بيع أي نموذج يقترحه ويقارنه بالواقع النتائج ... هل يتم اشتقاق الفهرس عن طريق قسمة نتائج النتائج التي تم الحصول عليها بواسطة النموذج عن طريق تحقيق أقصى قدر ممكن من النتائج من الصفقات المفترض أننا نعرف الحقيقة على الأرض ... على سبيل المثال: الحد الأقصى الممكن المطلق هو 14000 وحدة. نتائج عمليات التداول المولدة بالنماذج في -7000 وحدة ثم مؤشر - -0.5 (سيئ) لكل 7000 وحدة سيؤدي إلى 0.5 (جيد) لا يوفر نتائج دقيقة ولا يحسب فروق السعر ، إلا أنه طريقة سريعة لتقييم كل نموذج واختيار أفضل مجموعات من المعلمات ... أنابيب إضافية في حزمة R عرضية تجعل هذا من السهل تناول قطعة من
... ما نوع التنفيذ لديك؟