Assolutamente, è possibile provare diversi hyperparameters della rete. Questo è quanto previsto nella funzione h2o.deeplearning: attivazione codice inserito = c (Tanh, TanhWithDropout, Rectifier, RectifierWithDropout, Maxout, MaxoutWithDropout), loss = c (Automatic, CrossEntropy, Quadratic, Huber, Absolute, Quantile), distribution = c ( AUTO, bernoulli, multinomiale, gaussiano, poisson, gamma, tweedie, laplace, quantile, huber) Non sono ancora un esperto in deep learning ... forse sto diventando uno facendo ricerche e discutendo qui
... comunque secondo me il modo migliore è semplicemente provare diverse opzioni. h2o ha un codice e una formazione abbastanza efficienti per il mio set di dati richiede in genere circa 4-5 minuti utilizzando 4 core, quindi quello che di solito farei è scrivere un ciclo for per provare diverse opzioni e registrare i risultati dei test. Il modo in cui eseguo il test è un po 'specifico (vedi sopra l'indice -1 1). Ciò che significa è che il modello viene utilizzato per eseguire previsioni di variazione dei prezzi su osservazioni non viste e purché conosciamo la verità fondamentale è un modo perfetto per stimare un trading semplifio: acquistare o vendere virtualmente qualsiasi modello suggerito e confrontarlo con quello reale risultati ... l'indice è ricavato dividendo il modello ottenuto, i risultati di negoziazione generati dai massimi risultati possibili dalle operazioni presupposte che conoscessimo la verità fondamentale ... ad esempio: il guadagno massimo possibile assoluto è di 14000 unità. Il modello genera scambi traduce in -7000 unità poi indice -0,5 (tivo) idem per 7000 unità si tradurrà in 0,5 (buono) Non fornisce risultati esatti né contabilizzare gli spread, tuttavia è un modo veloce per valutare ogni modello e scegliere i migliori set di parametri ... Inoltre i tubi nel pacchetto R tidyverse lo rendono facile da mangiare un pezzo di
... Che tipo di implementazione hai?