Artifcialニューラルネットワークの予測

Question

のために私は、株価を予測しようreasearchの論文を見てきました。これらの論文では、次のタイプの起動機能のいずれかを使用して、起動機能が出力に適用されていることに気付きました。ユニポーラシグモイド、バイポーラシグモイド、タン双曲線、ラジアル基底関数。

私の質問 活性化関数の上記のタイプのいずれかが、その後どのようにすなわち、$ 103.56のような値株価を予測するために使用することができる出力に適用されている場合は？これらの関数の大部分は（0,1）または（-1,1）の間の最小値または最大値を持つためです。

返信ANNへの入力として置かれる前 をbakkalするために、入力があった の分散で割った平均値を差し引いた請求 MATLABで定義された「zscore」機能、および値 に従って正規化データ。 ターゲット出力は の最大値で除算し、それぞれの活性化関数の上限値と下限値を念頭に置いて目標関数に従って正規化された でした（ユニポーラの場合は0,1） 1）双極性シグモイド関数およびタン双曲線関数）。活性化関数が出力に適用されていない場合、下記のよう

こんにちは、誰かが太字、おかげで段落を説明できます。

Answer 1

正規化を使用して、目標値を範囲（0,1）または（-1,1）にマッピングするか、アクティベーション関数に応じて任意の値にマッピングします。一般的には、入力値を（-1、1）に近い範囲にマッピングします。入力値をスケーリングするために最も頻繁に使用される正規化は、ガウス正規化です。入力ベクトルがXであり、あなたがnumpyのアレイを使用している場合、以下は、xのガウス正規である場合：

xScaled = (x-x.mean())/(x.std()) 

平均（）は、（平均及びSTDを与える場合）標準偏差を与えます。

別の正規化がある：

xScaled = (x-x.min())/(x.max()-x.min()) 

範囲（0,1）への入力ベクトル値をスケーリングいます。

したがって、学習プロセスを固定するために正規化された入出力値を使用します。 Andrew Ngコースを参照して、なぜこれが起こるかを知ることもできます。 正規化された値を実際の値にスケールする場合は、逆正規化を使用できます。例えば、上記（0,1）標準化のため、逆正規化は次のようになります。あなたは、同様にガウシアンの場合の逆正規化を得ることができる

x = x.min() + (x.max()-x.min())*xScaled 

。

Answer 2

あなたは103.56のような連続出力を探しているなら、あなたは（分類ではなく）回帰を実装するためにニューラルネットワークを使用しています。その場合、出力にアクティブ化レイヤーを適用しません。あなたの出力は、前のレイヤーからの加重入力の合計になります。言っ

は、何もネットワークに隠れ層の活性化層を使用してからあなたを停止していない（例えば、その後回帰のために使用されている中間の機能、作成するために）

をなぜの使用していません活性化関数は正規化関数のように機能するか？私たちが活性化関数を使用しているなら正規化する必要がありますか？活性化関数は正規化器のように動作するでしょうか？

正規

まあ、正確に、feature normalizationは例えばではありませんSTD DEVなどMAX、MINを、見つけること、すべてのあなたの過去の株価データを取って、そしてすべてのこと、過去のデータは、例えばに収まるように変換を適用[0,1]。

なぜですか？あなたの過去のデータは、AMZNの価格が500ドルと言えるほど高くなる可能性がありますが、時価総額は2,000億ドルと言われています。それは二つの特徴priceとmarket capとの差がゼロのたくさんだ、それはいくつかの数値計算アルゴリズムのために良いではありません。だからあなたがすることは、すべての価格が[0、1]の間にあり、すべてのマーケットキャップが[0、1]になるように、それらをある標準化スケールに正規化することです。例えば。これはバックプロパゲーションアルゴリズムに役立ちます。

アクティベーション

今すぐアクティベーション機能が異なることをし、それは活性化の効果を作成するために、神経細胞のいずれかの火災のように、ありますか発生しません。起動関数は、[-inf、+ inf]という入力を受け取り、[-1、+1]にスナップしようとします。これは正規化とは異なる

ここで、活性化効果はどのように回帰に役立ちますか？よくペニー株の価格を予測すると（約400万米ドルの会社）、青いチップ（約2000億米ドルの会社）の価格予測とは大きく異なる可能性があるため、ペニーに基づいてオン/オフを切り替える機能/大きなキャップ。この特徴は、予測された価格の後退をより良くするために使用することができる。