Групповое обучение. 
Нейросетевой алгоритм распознавания паттернов в котировках фондовых бирж

Согласно таблице 2, отзыв для продолжающегося паттерна стабильно ниже, независимо от применения дискретизации признака. Причина этого в том, что в обучающей выборке много реверсивных паттернов с малым количеством сегментов, что мешает обучению распознавания продолжающихся паттернов. Для решения этой проблемы, созданы две новые НС (НС_В и НС_Г), причём первую обучают образцами продолжающегося, а вторую — реверсивного паттернов. Из доступных 18 паттернов НС_В распознает 10 (продолжающиеся), а НС_Г — 8 (реверсивные).

Тогда, каждый образец должен обрабатываться обеими сетями, и если НС_В определяет, что это продолжающийся паттерн, а НС_Г, что реверсивный, то образец следует считать продолжающимся паттерном. Если же НС_В не может определить тип паттерна, конечное решение Должна принять НС_Г.

В таблице 1 четвёртая и пятая строки определяют архитектуру НС_В и НС_Г. В таблице 2 четвёртая строка даёт результаты тестирования НС_В и НС_Г.

Согласно таблицам 1 и 2 следует зафиксировать, что групповое обучение позволяет значительно повысить отзыв для продолжающихся паттернов, хотя и немного потерять в точности классификации. Таким образом, именно подход совместного применения НС_В и НС_Г представляется наиболее обоснованным.

фондовый биржа нейронный Таблица 1 — Сети и их архитектуры.

Таблица 2 — Результаты тестирования сетей.