用于预测的人工神经网络
Artifcial Neural Networks for prediction
我一直在看试图预测股票价格的研究论文。我在这些论文中注意到，使用以下类型的激活函数之一将激活函数应用于输出。单极 sigmoid、双极 sigmoid、Tan 双曲、径向基函数。
我的问题
如果将上述类型的激活函数之一应用于输出，那么如何使用它来预测股票价格，即 103.56 美元这样的值？因为大多数这些函数的最小值或最大值都在 (0,1) 或 (-1,1) 之间。
回复 bakkal
在作为输入输入到 ANN 之前，输入是
根据中定义的“zscore”函数归一化
MATLAB，其中减去平均值和值
除以数据的方差。 目标产出是
也根据目标函数归一化，除以
他们的最大值，牢记上限和下限
各自激活函数的限制（单极的（0,1）
sigmoid，(-1, 1) 用于双极 sigmoid 和 tan 双曲函数）。
您好，如下所述，如果激活函数未应用于输出，那么有人可以用粗体解释该段落，谢谢。
如果您正在寻找像 103.56 这样的连续输出，那么您正在使用神经网络来实现回归（而不是分类）。在那种情况下，您不会在输出上应用激活层。您的输出将是前一层加权输入的总和。
也就是说，没有什么能阻止您在网络的隐藏层上使用激活层（例如创建中间特征，然后将其用于回归）
Why doesn't the use of an activation function act like a normalisation function? So do we need to normalise if we are using an activation function? Because the activation function will act like a normaliser?
标准化
不完全是，feature normalization 例如获取所有历史股票价格数据，找到最大值、最小值、标准差等，并应用转换，以便所有历史数据都适合，例如[0, 1].
为什么要这样做？因为你的历史数据可能有来自 AMZN 的价格可以上涨到 500 美元，但它的市值是 2000 亿美元。 price 和 market cap 这两个特征之间的差异有很多零，这对某些数值算法不利。因此，您要做的是将这些标准化为某种标准化比例，以便所有价格都在 [0, 1] 之间，并且所有市值都在 [0, 1] 之间。例如。这有助于反向传播算法。
激活
现在激活函数做了不同的事情，它的存在是为了产生激活效果，就像在神经元中激活或不激活一样。激活函数接受输入 say [-inf, +inf] 并尝试将其捕捉到 say [-1, +1]。这与规范化不同
现在激活效应如何帮助回归？嗯，例如在股票中，预测低价股（比如约 400 万美元的公司）的价格可能与预测蓝筹股（约 2000 亿美元的公司）的价格大不相同，因此您可能希望拥有一个基于 on/off 的功能在 penny/large 上限。该特征可用于更好地进行预测价格的回归。
我们使用归一化将目标值映射到范围 (0, 1) 或 (-1, 1) 或根据您的激活函数您想要的任何范围。通常，我们还将输入值映射到接近 (-1, 1) 的范围。最常用的缩放输入值的归一化是高斯归一化。如果输入向量是 x 并且你使用的是 numpy 数组，那么以下是 x 的高斯归一化：
xScaled = (x-x.mean())/(x.std())
其中 mean() 给出平均值，std() 给出标准差。
另一个规范化是：
xScaled = (x-x.min())/(x.max()-x.min())
将输入向量值缩放到范围 (0,1)。
因此，您使用标准化的输入和输出值来加快学习过程。你也可以参考吴恩达的课程来了解为什么会这样。
当您想要将规范化值缩放回其实际值时，您可以使用反向规范化。例如，对于上面的 (0,1) 归一化，反向归一化将是：
x = x.min() + (x.max()-x.min())*xScaled
您可以类似地获得高斯情况的反向归一化。
我一直在看试图预测股票价格的研究论文。我在这些论文中注意到，使用以下类型的激活函数之一将激活函数应用于输出。单极 sigmoid、双极 sigmoid、Tan 双曲、径向基函数。
我的问题 如果将上述类型的激活函数之一应用于输出，那么如何使用它来预测股票价格，即 103.56 美元这样的值？因为大多数这些函数的最小值或最大值都在 (0,1) 或 (-1,1) 之间。
回复 bakkal 在作为输入输入到 ANN 之前，输入是 根据中定义的“zscore”函数归一化 MATLAB，其中减去平均值和值 除以数据的方差。 目标产出是 也根据目标函数归一化，除以 他们的最大值，牢记上限和下限 各自激活函数的限制（单极的（0,1） sigmoid，(-1, 1) 用于双极 sigmoid 和 tan 双曲函数）。
您好，如下所述，如果激活函数未应用于输出，那么有人可以用粗体解释该段落，谢谢。
如果您正在寻找像 103.56 这样的连续输出，那么您正在使用神经网络来实现回归（而不是分类）。在那种情况下，您不会在输出上应用激活层。您的输出将是前一层加权输入的总和。
也就是说，没有什么能阻止您在网络的隐藏层上使用激活层（例如创建中间特征，然后将其用于回归）
Why doesn't the use of an activation function act like a normalisation function? So do we need to normalise if we are using an activation function? Because the activation function will act like a normaliser?
标准化
不完全是，feature normalization 例如获取所有历史股票价格数据，找到最大值、最小值、标准差等，并应用转换，以便所有历史数据都适合，例如[0, 1].
为什么要这样做？因为你的历史数据可能有来自 AMZN 的价格可以上涨到 500 美元，但它的市值是 2000 亿美元。 price 和 market cap 这两个特征之间的差异有很多零，这对某些数值算法不利。因此，您要做的是将这些标准化为某种标准化比例，以便所有价格都在 [0, 1] 之间，并且所有市值都在 [0, 1] 之间。例如。这有助于反向传播算法。
激活
现在激活函数做了不同的事情，它的存在是为了产生激活效果，就像在神经元中激活或不激活一样。激活函数接受输入 say [-inf, +inf] 并尝试将其捕捉到 say [-1, +1]。这与规范化不同
现在激活效应如何帮助回归？嗯，例如在股票中，预测低价股（比如约 400 万美元的公司）的价格可能与预测蓝筹股（约 2000 亿美元的公司）的价格大不相同，因此您可能希望拥有一个基于 on/off 的功能在 penny/large 上限。该特征可用于更好地进行预测价格的回归。
我们使用归一化将目标值映射到范围 (0, 1) 或 (-1, 1) 或根据您的激活函数您想要的任何范围。通常，我们还将输入值映射到接近 (-1, 1) 的范围。最常用的缩放输入值的归一化是高斯归一化。如果输入向量是 x 并且你使用的是 numpy 数组，那么以下是 x 的高斯归一化：
xScaled = (x-x.mean())/(x.std())
其中 mean() 给出平均值，std() 给出标准差。
另一个规范化是：
xScaled = (x-x.min())/(x.max()-x.min())
将输入向量值缩放到范围 (0,1)。
因此，您使用标准化的输入和输出值来加快学习过程。你也可以参考吴恩达的课程来了解为什么会这样。 当您想要将规范化值缩放回其实际值时，您可以使用反向规范化。例如，对于上面的 (0,1) 归一化，反向归一化将是：
x = x.min() + (x.max()-x.min())*xScaled
您可以类似地获得高斯情况的反向归一化。