Методы, стратегии, системы.

и кстати представление номера тиража может быть разным. так как сеть делает результат только внутри чего-то, то каждый тираж можно представлять от 1 до 10 и повторять
1001 тираж - 1
1002 - 2
1003 - 3
...
1010 - 10
1011 - 1
и т.д.
таким образом получим один и тот же интервал.
сейчас сделаю и выброшу данные на форум

вы меня немного не понимаете. в какой программе вы обучаете сеть?

ZEVS пишет:и кстати представление номера тиража может быть разным. так как сеть делает результат только внутри чего-то, то каждый тираж можно представлять от 1 до 10 и повторять
1001 тираж - 1
1002 - 2
1003 - 3
...
1010 - 10
1011 - 1
и т.д.
таким образом получим один и тот же интервал.
сейчас сделаю и выброшу данные на форум

Ничего не получится. Так мы получим одни и те же повторяющиеся паттерны для других тиражей. Т.е., для 2001 будет то же самое, что и для 1001, и на выходе мы будем получать одни и те же результаты. Если бы все было так просто, и в результатах тиражей присутствовала некоторая периодичность, то мы бы ее и без всякой нейросети уже увидели. :)
Еще раз повторюсь: то, что описываете вы, относится не к прогнозированию, а к задаче распознавания образов.

ZEVS пишет:вы меня немного не понимаете. в какой программе вы обучаете сеть?

У меня их около десятка этих программ для симуляции нейросетей. Кроме того я еще и написал пару своих, но больше всех мне нравится BrainMaker. :)

верно! повторяются.
80 чисел не одни и теже паттерны?

соглашусь идея приписывать номер тиража неудачная.
а как же тогда быть с вариантом №2.
это то представление которое видите вы?

ZEVS пишет:а 80 чисел не одни и теже паттерны?

А почему в Кено так много комбинаций?:)
Среди состоявшихся тиражей могут присутствовать паттерны, которые сеть и выявит.
Вы предлагаете взять тиражи 1001-1010 и закодировать их как 1-10 и подать на вход, а на выход - какие-то результаты координат, потом взять тиражи 1011-1020 и снова представить их как 1-10, а на выход - какие-то другие результаты координат. Так вот, в таком случае сеть ничему не научится, т.к. для одного и того же набора входных данных у нее будут разные выходные и она не сможет поставить их в однозначное соответствие. Попробуйте! :)
В случае 20 выпавших номеров в каждом тираже их комбинация всегда разная, поэтому на входе всегда присутсвуют числа из одного и того же диапазона, НО В РАЗНЫХ СОЧЕТАНИЯХ - в этом-то и вся разница.

jack пишет:
Вы предлагаете взять тиражи 1001-1010 и закодировать их как 1-10 и подать на вход, а на выход - какие-то результаты координат, потом взять тиражи 1011-1020 и снова представить их как 1-10, а на выход - какие-то другие результаты координат. Так вот, в таком случае сеть ничему не научится, т.к. для одного и того же набора входных данных у нее будут разные выходные и она не сможет поставить их в однозначное соответствие. Попробуйте! :)

ошибку признал - лажа полная.
нет я говорю о варианте №2 который написан выше по теме.

ZEVS пишет:соглашусь идея приписывать номер тиража неудачная.
а как же тогда быть с вариантом №2.
это то представление которое видите вы?

Если мы на вход опять же подаем номера тиражей - результат однозначно фуфел, т.к. мы не сможем на вход подать ничего n+1.
НО!
Если мы на вход подаем выпавшую комбинацию тиража, а на выходе единицами маркируем те комбинации из 100, которые сыграли, то тогда для любой комбинации любого тиража получим координаты сыгравших комбинаций. Но, это будет решаться задача анализа и классификации, а не прогнозирования :).

jack пишет:
Если мы на вход подаем выпавшую комбинацию тиража, а на выходе единицами маркируем те комбинации из 100, которые сыграли, то тогда для любой комбинации любого тиража получим координаты сыгравших комбинаций. Но, это будет решаться задача анализа и классификации, а не прогнозирования :).

ну есть еще один способ дыбы не грузить систему сильно. не нужно брать 1-80 данных.
можно воспользоваться индексированием диапазонов.
1-10 - 1
11-20 - 2
...
71-80 - 8

каждому из этих индексов присвоить 1 или 0 согласно того играл или не играл диапазон.

но и здесь результаты не очень!!!

ZEVS пишет:

jack пишет:
Если мы на вход подаем выпавшую комбинацию тиража, а на выходе единицами маркируем те комбинации из 100, которые сыграли, то тогда для любой комбинации любого тиража получим координаты сыгравших комбинаций. Но, это будет решаться задача анализа и классификации, а не прогнозирования :).

ну есть еще один способ дыбы не грузить систему сильно. не нужно брать 1-80 данных.
можно воспользоваться индексированием диапазонов.
1-10 - 1
11-20 - 2
...
71-80 - 8

каждому из этих индексов присвоить 1 или 0 согласно того играл или не играл диапазон.

но и здесь результаты не очень!!!

Я все время пытаюсь объяснить, что здесь нет прогнозирования, здесь есть все, что угодно: классификация, кластеризация, распознавание образов, но не прогнозирование!
Прогнозирование, это когда какому-то набору предыдущих данных в соответствие ставится какой-то набор будущих.
Другими словами, если вы на вход дадите результаты ВЧЕРАШНЕГО тиража, а на выход - координаты комбинаций СЕГОДНЯШНЕГО тиража, то тогда - это будет прогнозирование, потому что для каждого предыдущего значения мы можем прогнозировать следующее.
Если вы ставите в соответствие одни признаки тиража другим признакам ТОГО ЖЕ тиража - это классификация, кластеризация, или "распознавание образов", т.к. сопоставляются характеристики ВНУТРИ тиража, а не МЕЖДУ тиражами.

jack пишет:
Прогнозирование, это когда какому-то набору предыдущих данных в соответствие ставится какой-то набор будущих.

так я вроде как и не оспариваю! :)

ZEVS пишет:

jack пишет:
Прогнозирование, это когда какому-то набору предыдущих данных в соответствие ставится какой-то набор будущих.

так я вроде как и не оспариваю! :)

Ну, дык, во всех приведенных исследованиях прогнозирования и не было, а решались задачи классификации, кластеризации и распознавания образов.
Другими словами, из-за неправильной постановки задачи неделя потрачена зазря! ;)

по всей вероятности да... в целом это не сложно исправить.

тупонул я чего-то здорово...

ZEVS пишет:по всей вероятности да... в целом это не сложно исправить.

ОК, потом обсудим результаты. :)

вход координата комбинации, выход эти же координаты на позицию меньше.

1 - 5
5 - 7
7 - 3
3 - 8
8 - прогноз

ZEVS пишет:вход координата комбинации, выход эти же координаты на позицию меньше.

1 - 5
5 - 7
7 - 3
3 - 8
8 - прогноз

Теперь самое то оно на все 100%!

сейчас выдам результат по координатам максимально выигрышной комбинации.

ZEVS пишет:сейчас выдам результат по координатам максимально выигрышной комбинации.

А на скольких примерах учится сеть?

доверительная ошибка - 3.

могу и в 1000 выложить все равно результат тот же.

аналогичные результаты при построении прогноза предпоследнего розыгрыша и т.п. N-2, N-3...
возможно мало данных? что еще?

входные данные взял для анализа отношение последнего розыгрыша и прогнозируемого, предпоследнего и прогнозируемого и так до 5 -го колена

ZEVS пишет:

доверительная ошибка - 3.

могу и в 1000 выложить все равно результат тот же.

Уточню вопрос: сеть учится на примерах
1. "1 предыдущее значение -- 1 следующее" или
2. "10 предыдущих -- 9 предыдущих со сдвигом + 1 следующее"?
В первом варианте результаты точно будут гуано, ну а во втором еще можно что-то ожидать.
А если дать на вход 20-40 значений, то результаты будут еще лучше. :)
Схематично:

Код:

обучение:
пример 1:
вход:  1,2,3,4,5,6,7,8,9,10 (10 нейронов)
выход: 2,3,4,5,6,7,8,9,10,11 (10 нейронов)
пример 2:
вход:  2,3,4,5,6,7,8,9,10,11 (10 нейронов)
выход: 3,4,5,6,7,8,9,10,11,12 (10 нейронов)
...
пример 10:
вход:  10,11,12,13,14,15,16,17,18,19 (10 нейронов)
выход: 11,12,13,14,15,16,17,18,19,20 (10 нейронов)

Код:

прогноз:
вход:  11,12,13,14,15,16,17,18,19,20 (10 нейронов)
выход: 12,13,14,15,16,17,18,19,20,хх (10 нейронов)

И вот этот самый "хх" и будет нашим прогнозом.

Я, например, могу построить сеть, на входе которой будет 100 нейронов, а на выходе - всего один, который и покажет мне прогноз, и обучить ее на 100-200 примерах.
Многие нейросетевые симуляторы не имеют такой возможности, поэтому мой пример, приведенный выше, показывает, как получить прогноз в таком случае, т.е., просто в виде значения последнего выходного нейрона.

P.S.: Посмотрел выше, что на вход подаются 5 значений, на выходе - одно.
По-хорошему, если у нас множество состоит из 100 значений, то было бы неплохо на вход подавать одновременно от 1/4 до 1/2, т.е., от 25 до 50 значений, тогда средняя ошибка будет меньше, а результаты - точнее.

jack пишет:
По-хорошему, если у нас множество состоит из 100 значений, то было бы неплохо на вход подавать одновременно от 1/4 до 1/2, т.е., от 25 до 50 значений, тогда средняя ошибка будет меньше, а результаты - точнее.

этот результат я повторил и с входом 40 - выход одно. гуано.
просто нет возможности разместить.
все равно практическое применение сетей возможно в поступательно-зависимом либо зависимом явлении.
по мимо всего этого стоит упомянуть, что также при обучении сети стоит вопрос выбора определенных компонентов, а это не что иное как опять же переменные, которые нужно определить из лучшего итога.
по ходу решения задачи появляются все новые и новые задачи. таким образом итоговую задачу не решить.

это тоже самое что отказаться от простого отбора 10 из 80 и перейти на отбор пяти пар. я к тому, что проблем все более прибавляется, а они должны уменьшаться :)

если взять сто тиражей. допустим задача стоит отобрать 20-ку на игру. сколько у вас получается двадцаток, в которой есть 10 и более играющих в прогнозируемом ряде. условие один тираж - одна двадцатка. сколько таких двадцаток на сто тиражей у вас приходится?

ZEVS пишет:

jack пишет:
По-хорошему, если у нас множество состоит из 100 значений, то было бы неплохо на вход подавать одновременно от 1/4 до 1/2, т.е., от 25 до 50 значений, тогда средняя ошибка будет меньше, а результаты - точнее.

этот результат я повторил и с входом 40 - выход одно. гуано.
просто нет возможности разместить.
все равно практическое применение сетей возможно в поступательно-зависимом либо зависимом явлении.
по мимо всего этого стоит упомянуть, что также при обучении сети стоит вопрос выбора определенных компонентов, а это не что иное как опять же переменные, которые нужно определить из лучшего итога.
по ходу решения задачи появляются все новые и новые задачи. таким образом итоговую задачу не решить.

это тоже самое что отказаться от простого отбора 10 из 80 и перейти на отбор пяти пар. я к тому, что проблем все более прибавляется, а они должны уменьшаться :)

По-хорошему, если у нас множество состоит из 100 значений, то было бы неплохо на вход подавать одновременно от 1/4 до 1/2, т.е., от 25 до 50 значений, тогда средняя ошибка будет меньше, а результаты - точнее.
Доверительная ошибка, равная "3", - это +/- 3% = 6% - очень много для 5 значений на входе (при 100 макс.). Надо минимум ставить 1 и меньше, а то разброс в 6% - это очень плохая точность обучения. У меня нейросеть при 6400 нейронах на входе и 80 нейронах на выходе обучалась с допустимой ошибкой в 1,5%, и обучение заканчивалось при 100% распознавании примеров на массиве в 200 примеров.
Кроме того, нет смысла прогнозировать дальше, чем на 2-3 тиража, а сеть после каждого тиража необходимо дообучать.
А по поводу выбора "компонентов" - дык можно и направление ветра, и фазу луны использовать, только они нам не помогут, т.к. корреляция между ними и результатами тиража весьма и весьма слабая. :)
Поэтому, кроме результатов прошлых тиражей или их суррогатного представления ("координаты") никаких других компонент нет и быть не может. :)

Да, хотел заметить, что результативность в 31% (пусть даже и с отклонением в +/-3%) - это отличный результат при вероятности 1:100 (т.е., 1 %). Это значит, что примерно каждый 3-й тираж будет играть спрогнозированная координата +/- 3 штуки в обе стороны.итого: 7 штук на тираж, 21 штука - на три тиража, 21*4=84грн затрат, если играет 7х10, как описано выше, то это 200грн, т.е. в среднем 116грн. в плюс за 3 тиража. :)

ZEVS пишет:если взять сто тиражей. допустим задача стоит отобрать 20-ку на игру. сколько у вас получается двадцаток, в которой есть 10 и более играющих в прогнозируемом ряде. условие один тираж - одна двадцатка. сколько таких двадцаток на сто тиражей у вас приходится?

Тут все несколько по-другому...
На какой-то тираж сеть может вообще ни одного числа не выдать, а на какой-то - и 32 штуки.
Просто из этих 32 штук, в среднем, 11 будут верными.
Иногда может выдать и 8 из 10 и 9 из 11 (по крайней мере, при проверке на истории тиражей такое несколько раз было).
Так что, однозначного ответа нет. ;)

да были бы только 30%. их же нет!!! ну нет же таких результатов.
30% лежат внутри обучаемого объема, но не вне...

Кстати, если в скриншоте выше "правильно - 31% и неправильно - 69%" относится к обучению, то эта сеть - НЕ ОБУЧЕНА. :) Сеть должна распознавать минимум 95% примеров, чтобы можно было прогнозировать!

ZEVS пишет:да были бы только 30%. их же нет!!! ну нет же таких результатов.
30% лежат внутри обучаемого объема, но не вне...

Какие условия остановки обучения сети?

jack пишет:Кстати, если в скриншоте выше "правильно - 31% и неправильно - 69%" относится к обучению, то эта сеть - НЕ ОБУЧЕНА. :) Сеть должна распознавать минимум 95% примеров, чтобы можно было прогнозировать!

поторопился выложить. ниже пример со 100% положительным результатом

условия теже на входе пять значений выход одно

конечно нужно строить более зависимую базу входных элементов, конечно же не включать фазы луны и т.п., но ради того чтоб не строить велосипед заново ознакомился с решениями в области форекса, медицины и физики и результаты приблизительно такого характера использование нейросетей для прогнозирования лучше обыкновенного прогноза полинома всего лишь на 6%. но думаю за нейросетями есть что-то перспективное. думаю умам светлейшим они уже приносят большую пользу!!!

ZEVS пишет:



условия теже на входе пять значений выход одно

То есть, я правильно понимаю, что с нормальными критериями обучения (ошибка <=1, останов при 100% распознавания примеров, прогнозирование на 2-3 тиража вперед) имеем:
1 прогноз - в пень,
1 прогноз - отклонение +/- 5%
и 1 прогноз - 100% совпадение, так? :)

конкретно на этом примере и диапазоне - ДА

ZEVS пишет:конечно нужно строить более зависимую базу входных элементов, конечно же не включать фазы луны и т.п., но ради того чтоб не строить велосипед заново ознакомился с решениями в области форекса, медицины и физики и результаты приблизительно такого характера использование нейросетей для прогнозирования лучше обыкновенного прогноза полинома всего лишь на 6%. но думаю за нейросетями есть что-то перспективное. думаю умам светлейшим они уже приносят большую пользу!!!

Нейросеть - это инструмент, и им тоже надо правильно пользоваться, чтобы не было как в том анекдоте:
- Мужики, я у вас шуруповерт покупал, так он сразу поламался!
- А что, сгорел?
- Да нет, просто вообще не работает, а я-то им всего один гвоздь забил!

ZEVS пишет:конкретно на этом примере и диапазоне - ДА

Ну, значит, надо попробовать на других диапазонах на истории и проверить результаты. :)
Возможно, они будут и хуже, а могут быть и лучше. ;)

jack пишет:
Возможно, они будут и хуже, а могут быть и лучше. ;)

да конечно все может быть. возможно само использование сети чисто на пользовательском уровне может допускать ошибки это ясно.

но заниматься поиском лучших диапазонов, кол-ва входных нейронов и т.п. - это то о чем я выше писал, новые и новые задачи. а по сути выбрать 1 верный элемент из 100 по сравнению с изначальными шансами кажется шаровым делом, а оказывается все же нет! поиск лучших условий для нейросети - это и есть поиск новых переменных, которые в определенный исторический момент будут удовлетворять условия, а в следующем шаге уже нет. изворачиваясь этим можно также каждый раз искать определенный объем тиражей, в котором максимум будут образовывать нужную двадцатку к примеру.

на ваш взгляд есть ли смысл в настоящее время использовать нейросеть для определения прогнозируемой двадцатки или нет?

ZEVS пишет:

jack пишет:
Возможно, они будут и хуже, а могут быть и лучше. ;)

да конечно все может быть. возможно само использование сети чисто на пользовательском уровне может допускать ошибки это ясно.

но заниматься поиском лучших диапазонов, кол-ва входных нейронов и т.п. - это то о чем я выше писал, новые и новые задачи. а по сути выбрать 1 верный элемент из 100 по сравнению с изначальными шансами кажется шаровым делом, а оказывается все же нет! поиск лучших условий для нейросети - это и есть поиск новых переменных, которые в определенный исторический момент будут удовлетворять условия, а в следующем шаге уже нет. изворачиваясь этим можно также каждый раз искать определенный объем тиражей, в котором максимум будут образовывать нужную двадцатку к примеру.

Я не буду философствовать по поводу "новых и новых задач", просто я на простом примере показал, что при правильной постановке задачи, правильной настройке, правильно обученная нейросеть дает правильные результаты.
Если вы считаете, что выбор варианта в соотношении 1:100 - это "шаровое дело", то я бы хотел напомнить, что угадать 6 из 9 имеет больше шансов (1:87).

ZEVS пишет:на ваш взгляд есть ли смысл в настоящее время использовать нейросеть для определения прогнозируемой двадцатки или нет?

Думаю, что это перспективно.
Я собираюсь к этой теме вскорости вернуться (когда разгребусь с другими делами).
Потом поделюсь результатами и впечатлениями. :)

вот что на сегодняшний день имею. получаю под каждый тираж 100 двадцаток. вот и стоит задача отобрать одну единственную, чтоб ебнуть ее системой по полной программе. вот и стоит задача найти 1 из 100, но она оказывается не такой уж и простой мать ее за ногу и тыкаюсь я с ней уже пол годика.

ZEVS пишет:вот что на сегодняшний день имею. получаю под каждый тираж 100 двадцаток. вот и стоит задача отобрать одну единственную, чтоб ебнуть ее системой по полной программе. вот и стоит задача найти 1 из 100, но она оказывается не такой уж и простой мать ее за ногу и тыкаюсь я с ней уже пол годика.

А сколько в лучшей двадцатке совпадений?

jack пишет: просто я на простом примере показал, что при правильной постановке задачи, правильной настройке, правильно обученная нейросеть дает правильные результаты.

ага, только в пределах объема обучения, забыли упомянуть

jack пишет:А сколько в лучшей двадцатке совпадений?

в лучшей бывает 10 а бывает и 15, но в среднем 12 - 13. замечу это в ЛУЧШЕЙ двадцатке

вверху номер тиража (на скрине) под ним кол-во совпадений (разбил на два поля и то не все влезли)

ZEVS пишет:

jack пишет: просто я на простом примере показал, что при правильной постановке задачи, правильной настройке, правильно обученная нейросеть дает правильные результаты.

ага, только в пределах объема обучения, забыли упомянуть

Не только. Я строил сети на основе одного объема, а проверял на 20-30 следующих тиражах. Те результаты, которые я описывал выше, были получены именно на таких сетях, без дообучения.

ну я же прекрасно понимаю что результат который выдает сеть 9 из 11 бывает крайне редко? или нет?
думаю что средний постоянный показатель сети 11 из 32. верно?

ZEVS пишет:

jack пишет:А сколько в лучшей двадцатке совпадений?

в лучшей бывает 10 а бывает и 15, но в среднем 12 - 13. замечу это в ЛУЧШЕЙ двадцатке

вверху номер тиража (на скрине) под ним кол-во совпадений (разбил на два поля и то не все влезли)

И какую систему применять к 20 числам? 10 с гарантией хх из 20 при 10 выбранных?

ZEVS пишет:ну я же прекрасно понимаю что результат который выдает сеть 9 из 11 бывает крайне редко? или нет?
думаю что средний постоянный показатель сети 11 из 32. верно?

Да, но и джекпоты ведь не каждый день срываются, правда?
Средний показатель был где-то 6 из 16-17.