Tentunya, kemungkinan untuk mencoba hyperparameters unik dari jaringan. Ini adalah persis apa yang disediakan di h2o.deeplearning tujuan: ivasi Kode Dimasukkan = c (Tanh, TanhWithDropout, Rectifier, RectifierWithDropout, Maxout, MaxoutWithDropout), reduksi = c (Otomatis, CrossEntropy, Kuadrat, Huber, Absolute, Quantile), pasokan = c (AUTO, bernoulli, multinomial, gaussian, poisson, gamma, tweedie, laplace, quantile, huber) Saya bukan otoritas dalam pembelajaran yang mendalam ... mungkin saya menjadi satu dengan melakukan penelitian dan berdiskusi di sini
... namun menurut saya, pendekatan terbaik hanyalah mencoba pilihan-pilihan unik. H2o memiliki kode dan pelatihan yang sangat efisien karena kumpulan data saya biasanya membutuhkan waktu sekitar 4-5 menit menggunakan 4 inti sehingga apa yang biasanya saya lakukan adalah menulis perulangan untuk mencoba pilihan unik dan menat hasil pengujian. Bagaimana saya melakukan tes agak spesifik (lihat lebih dari -1 1) indeks. Apa yang tersirat adalah model yang digunakan untuk melakukan prediksi perubahan harga pada pengamatan yang tidak terlihat dan mengingat bahwa kita tahu realitas itu adalah cara sempurna untuk mengukur perdagangan yang disederhanakan: secara praktis membeli atau menjual model apa pun yang menyarankan dan membandingkannya dengan hasil aktual. ... Apakah indeks diperoleh dengan membagi hasil perdagangan model yang dihasilkan dengan hasil maksimum yang mungkin dari transaksi yang diasumsikan kita tahu kebenaran dasar ... misalnya: Keuntungan maksimum absolut adalah 14.000 unit. Model transaksi yang dihasilkan mengarah ke -7000 unit indeks adalah - -0.5 (miskin) idem untuk 7000 komponen akan menghasilkan 0,5 (bagus) Tidak memberikan hasil yang spesifik atau akuntansi untuk spread tetapi itu cara cepat untuk mengevaluasi setiap model dan memilih set parameter terbaik ... Selain itu pipa dalam bundel R tidyverse membuat ini semudah mengkonsumsi sebagian
... implementasi seperti apa yang Anda dapatkan?