GMDH

[Halmun]

restando sull'argomento degli ordini numerici che vengono a formarsi nei sistemi caotici è anche possibile rilevarne alcuni direttamente dagli Output dei nostri procedimenti prima che venga ordinata la scala dei residui per le nostre tradizionali classifiche.
segue qui un esempio dove una volta effettuato lo Scan con la Rete andiamo a rilevare l'Asimmetria più vicina allo Zero a blocchi di 5 residui, con lo scopo di rilevarne uno o più che presenti tale condizione. quindi ordinato o tendente ad un ordine più ampio.
Localizzato il blocco che ci interessa notiamo in questo caso che gli esiti si sono concentrati per ora nei primi 2 valori Max. dei residui con le ambate 49 83 vedi foto.
nello specifico: esito 49 al 1° C. + 83 al 3° C. + Ambetto 49 05 sempre al 1° C.
( vedi ambata 04 che occupa nei Max del blocco la 3°a Pos. )

 

[Halmun]

dopo il 27 al 4 ° C. proseguono ancora gli esiti dei primi 5 classificati. .......... giù il 25 al 5° C.
( vedi foto post N° 351-356 )

 

[Halmun]

***
Copilot
Certamente! Variare il livello di bias in una rete neurale è un passo importante nell’ottimizzazione del modello.
Vediamo cosa significa impostare il bias al livello “MINIMUM” e come potrebbe influenzare i risultati di previsione:

Bias e funzione di attivazione:
Il bias è un parametro che influenza la funzione di attivazione di un neurone.
La funzione di attivazione determina se un neurone si “accende” (produce un output diverso da zero) o rimane inattivo.
Impostare il bias a diversi livelli può influenzare la sensibilità del neurone agli input.
Livello “MINIMUM” del bias:
Quando imposti il bias al livello “MINIMUM”, stai rendendo il neurone meno sensibile agli input.
In altre parole, il neurone richiederà input più forti o specifici per attivarsi.
Questo può essere utile quando vuoi che il neurone sia molto selettivo e reagisca solo a input particolari.
Considerazioni:
La scelta del livello di bias dipende dal problema specifico e dai dati di addestramento.
Se i risultati di previsione migliorano con il bias impostato al livello “MINIMUM”, potrebbe significare che il modello
sta apprendendo relazioni più complesse tra gli input.
Tuttavia, è importante bilanciare la sensibilità del neurone per evitare l’overfitting.
----------------------------------------------------
Copilot
Hai fatto bene a considerare l’overfitting impostando il bias al valore minimo!
L’overfitting è una preoccupazione comune nell’addestramento delle reti neurali,
e la scelta del bias può influenzare la capacità del modello di generalizzare su nuovi dati.

Ecco alcune ragioni per cui la tua scelta potrebbe essere appropriata:

Controllo della complessità:
Impostando il bias al valore Minimo, stai limitando la sensibilità del neurone agli input.
Questo può aiutare a controllare la complessità del modello, riducendo la probabilità di overfitting.
Un modello con un bias basso tende a essere meno flessibile e meno incline a “memorizzare” i dati di addestramento.
Generalizzazione:
La capacità di generalizzare su nuovi dati è fondamentale per un buon modello.
Se il tuo modello funziona bene con il bias impostato al valore minimo, potrebbe essere in grado di catturare relazioni
più complesse tra gli input senza adattarsi eccessivamente ai dati di addestramento.
***
da quanto sopra : Test x BARI F.D. 04/07/2024 - Range GRP ultime 18 estraz. ( Output su Target VAR 5 )
Rilevamento prime 3 coppie con impostazione BIAS al Min & Max ( Estremi )
Esito 30 41 al 1° C.

 

[Halmun]

proseguimento del Post N° 363

Bilanciando il BIAS l'Output è rimasto identico al Test con BIAS al Max. quindi l'unica variazione è stata ottenuta con BIAS al Min.
( vedi argomentazione precedente con Copilot )