helmun Come si usa la Rete Neurale come GMDH 2.8.7

[genios]

Per non intasare il post GMDH e capire meglio l' uso del Programma del Mitico LuigiB .

Ho interrogato Lei mi ha dato questa risposta : come si usa Rete Neurale come GMDH 2.8.7 ?

"GMDH" sta per "Group Method of Data Handling", una tecnica di analisi dei dati e di modellazione che utilizza reti neurali per trovare relazioni complesse nei dati. Tuttavia, al momento della mia ultima conoscenza nell'agosto 2021, non ho informazioni specifiche sulla versione 2.8.7 di GMDH. La mia conoscenza potrebbe essere limitata in questo caso.

Se stai cercando di utilizzare una versione specifica di GMDH come la 2.8.7, probabilmente stai cercando un software specifico che implementa questa tecnica. Di seguito ti fornisco una panoramica generale su come potresti utilizzare una rete neurale basata su GMDH per analizzare i dati:

1. Preparazione dei dati: Raccogli e prepara i dati necessari per la tua analisi. Questo potrebbe includere la pulizia dei dati, la gestione dei valori mancanti e la trasformazione dei dati se necessario.
2. Installazione del software: Scarica e installa il software GMDH versione 2.8.7 sul tuo computer, se disponibile.
3. Caricamento dei dati: Carica i dati preparati nel software GMDH. Questo potrebbe implicare l'importazione di file CSV, Excel o altri formati supportati.
4. Configurazione del modello: Configura i parametri del modello GMDH. Questi parametri possono includere il tipo di rete neurale da utilizzare, il numero di livelli nascosti, le funzioni di attivazione e altri iperparametri.
5. Addestramento del modello: Esegui il processo di addestramento del modello GMDH utilizzando i tuoi dati. Questo processo comporta l'ottimizzazione dei pesi delle connessioni neurali per adattarsi ai dati in modo da trovare modelli e relazioni.
6. Validazione e ottimizzazione: Una volta addestrato il modello, valuta la sua performance utilizzando dati di validazione. Se necessario, ottimizza i parametri del modello per migliorare le prestazioni.
7. Predizioni e analisi: Utilizza il modello addestrato per effettuare predizioni su nuovi dati o per analizzare le relazioni tra variabili all'interno del dataset.
8. Interpretazione dei risultati: Analizza i risultati ottenuti dal modello GMDH per trarre conclusioni sulle relazioni nei dati e per supportare le decisioni aziendali o le scoperte scientifiche.
9. Aggiornamento del modello: Periodicamente, potresti voler aggiornare il modello GMDH con nuovi dati per mantenerlo aggiornato e accurato nel tempo.

È importante notare che l'uso specifico del software GMDH versione 2.8.7 potrebbe richiedere una comprensione dettagliata della sua interfaccia e delle sue funzionalità. Potrebbe essere disponibile una documentazione ufficiale o risorse di formazione per aiutarti a imparare ad utilizzare questa versione specifica del software.

 

[Halmun]

via sul sito GMDH SHELL e troverai molti esempi al riguardo. e cmq. la 2.8.7 è solo una vecchia vrs Shareware che al contrario delle ultime vrs non si blocca dopo 15 gg. di utilizzo.

 

[genios]

Quindi per far funzionare il programma di Luigi occorre scaricare GMDH 2.8.7 O è GIA IMPLEMENTATA ?

Ciao Eugenio

 

[Halmun]

Quindi per far funzionare il programma di Luigi occorre scaricare GMDH 2.8.7 O è GIA IMPLEMENTATA ?

Ciao Eugenio

NO. ......... ripeto, GMDH è un'altra rete che non ha niente a che vedere con la vrs di NNPRD che stiamo modificando.

 

[genios]

In questo file IN CSV che allego ho questi parametri
3600 estrazioni a ritroso ultima estrazione del 25 07 2023 ruota di BA .
[10271] [ 91] 25.07.2023 Bari 80,12,26,68,15


Tempo trascorso: 00:00:06

3600
[10271] [ 91] 25.07.2023 Bari 80,12,26,68,15


Tempo trascorso: 00:00:06
Dove inserire il file csv nel programma di Luigi ? 

NUMERO    RITARDO    FREQUENZA    F.T.    FDIFF    RITDIFF    DIFF    RIT.MAX    I,R,M
1    12    199    200    -1    -6    -5    73    0
2    55    188    200    -12    37    49    104    0
3    23    226    200    26    5    -21    91    0
4    96    199    200    -1    78    79    98    0
5    17    210    200    10    -1    -11    106    0
6    32    180    200    -20    14    34    96    0
7    11    187    200    -13    -7    6    146    0
8    34    209    200    9    16    7    72    0
9    25    190    200    -10    7    17    74    0
10    3    216    200    16    -15    -31    119    0
11    12    200    200    0    -6    -6    96    0
12    0    218    200    18    -18    -36    88    0
13    20    203    200    3    2    -1    95    0
14    4    203    200    3    -14    -17    85    0
15    0    221    200    21    -18    -39    110    0
16    22    188    200    -12    4    16    120    0
17    7    193    200    -7    -11    -4    124    0
18    10    177    200    -23    -8    15    94    0
19    2    187    200    -13    -16    -3    89    0
20    17    227    200    27    -1    -28    114    0
21    1    184    200    -16    -17    -1    201    0
22    2    209    200    9    -16    -25    114    0
23    10    210    200    10    -8    -18    85    0
24    13    187    200    -13    -5    8    98    0
25    25    174    200    -26    7    33    140    0
26    0    218    200    18    -18    -36    105    0
27    16    201    200    1    -2    -3    88    0
28    78    178    200    -22    60    82    139    0
29    20    188    200    -12    2    14    107    0
30    11    215    200    15    -7    -22    92    0
31    5    190    200    -10    -13    -3    167    0
32    14    188    200    -12    -4    8    85    0
33    5    195    200    -5    -13    -8    111    0
34    7    224    200    24    -11    -35    101    0
35    11    203    200    3    -7    -10    98    0
36    29    178    200    -22    11    33    92    0
37    8    194    200    -6    -10    -4    142    0
38    13    200    200    0    -5    -5    88    0
39    23    185    200    -15    5    20    87    0
40    15    211    200    11    -3    -14    116    0
41    18    187    200    -13    0    13    138    0
42    6    178    200    -22    -12    10    90    0
43    2    215    200    15    -16    -31    92    0
44    32    200    200    0    14    14    106    0
45    24    175    200    -25    6    31    133    0
46    80    192    200    -8    62    70    98    0
47    10    212    200    12    -8    -20    101    0
48    1    227    200    27    -17    -44    95    0
49    79    200    200    0    61    61    79    10
50    21    184    200    -16    3    19    114    0
51    12    223    200    23    -6    -29    93    0
52    14    184    200    -16    -4    12    107    0
53    42    196    200    -4    24    28    83    0
54    3    207    200    7    -15    -22    100    0
55    3    189    200    -11    -15    -4    119    0
56    56    194    200    -6    38    44    110    0
57    4    200    200    0    -14    -14    87    0
58    6    206    200    6    -12    -18    114    0
59    3    212    200    12    -15    -27    108    0
60    9    218    200    18    -9    -27    85    0
61    2    222    200    22    -16    -38    120    0
62    8    205    200    5    -10    -15    101    0
63    9    174    200    -26    -9    17    129    0
64    28    187    200    -13    10    23    105    0
65    4    204    200    4    -14    -18    107    0
66    6    220    200    20    -12    -32    116    0
67    2    203    200    3    -16    -19    81    0
68    0    211    200    11    -18    -29    74    0
69    38    216    200    16    20    4    96    0
70    1    203    200    3    -17    -20    105    0
71    3    198    200    -2    -15    -13    78    0
72    9    178    200    -22    -9    13    117    0
73    15    196    200    -4    -3    1    78    0
74    15    205    200    5    -3    -8    122    0
75    54    209    200    9    36    27    97    0
76    8    191    200    -9    -10    -1    112    0
77    10    212    200    12    -8    -20    74    0
78    72    196    200    -4    54    58    120    0
79    18    203    200    3    0    -3    80    0
80    0    186    200    -14    -18    -4    85    0
81    7    212    200    12    -11    -23    98    0
82    1    191    200    -9    -17    -8    103    0
83    9    203    200    3    -9    -12    87    0
84    45    197    200    -3    27    30    115    0
85    16    191    200    -9    -2    7    135    0
86    62    200    200    0    44    44    124    0
87    1    214    200    14    -17    -31    101    0
88    8    220    200    20    -10    -30    86    0
89    29    204    200    4    11    7    89    0
90    34    202    200    2    16    14    83    0

 

[Halmun]

In questo file IN CSV che allego ho questi parametri
3600 estrazioni a ritroso ultima estrazione del 25 07 2023 ruota di BA .
[10271] [ 91] 25.07.2023 Bari 80,12,26,68,15


Tempo trascorso: 00:00:06

3600
[10271] [ 91] 25.07.2023 Bari 80,12,26,68,15


Tempo trascorso: 00:00:06
Dove inserire il file csv nel programma di Luigi ?

NUMERO    RITARDO    FREQUENZA    F.T.    FDIFF    RITDIFF    DIFF    RIT.MAX    I,R,M
1    12    199    200    -1    -6    -5    73    0
2    55    188    200    -12    37    49    104    0
3    23    226    200    26    5    -21    91    0
4    96    199    200    -1    78    79    98    0
5    17    210    200    10    -1    -11    106    0
6    32    180    200    -20    14    34    96    0
7    11    187    200    -13    -7    6    146    0
8    34    209    200    9    16    7    72    0
9    25    190    200    -10    7    17    74    0
10    3    216    200    16    -15    -31    119    0
11    12    200    200    0    -6    -6    96    0
12    0    218    200    18    -18    -36    88    0
13    20    203    200    3    2    -1    95    0
14    4    203    200    3    -14    -17    85    0
15    0    221    200    21    -18    -39    110    0
16    22    188    200    -12    4    16    120    0
17    7    193    200    -7    -11    -4    124    0
18    10    177    200    -23    -8    15    94    0
19    2    187    200    -13    -16    -3    89    0
20    17    227    200    27    -1    -28    114    0
21    1    184    200    -16    -17    -1    201    0
22    2    209    200    9    -16    -25    114    0
23    10    210    200    10    -8    -18    85    0
24    13    187    200    -13    -5    8    98    0
25    25    174    200    -26    7    33    140    0
26    0    218    200    18    -18    -36    105    0
27    16    201    200    1    -2    -3    88    0
28    78    178    200    -22    60    82    139    0
29    20    188    200    -12    2    14    107    0
30    11    215    200    15    -7    -22    92    0
31    5    190    200    -10    -13    -3    167    0
32    14    188    200    -12    -4    8    85    0
33    5    195    200    -5    -13    -8    111    0
34    7    224    200    24    -11    -35    101    0
35    11    203    200    3    -7    -10    98    0
36    29    178    200    -22    11    33    92    0
37    8    194    200    -6    -10    -4    142    0
38    13    200    200    0    -5    -5    88    0
39    23    185    200    -15    5    20    87    0
40    15    211    200    11    -3    -14    116    0
41    18    187    200    -13    0    13    138    0
42    6    178    200    -22    -12    10    90    0
43    2    215    200    15    -16    -31    92    0
44    32    200    200    0    14    14    106    0
45    24    175    200    -25    6    31    133    0
46    80    192    200    -8    62    70    98    0
47    10    212    200    12    -8    -20    101    0
48    1    227    200    27    -17    -44    95    0
49    79    200    200    0    61    61    79    10
50    21    184    200    -16    3    19    114    0
51    12    223    200    23    -6    -29    93    0
52    14    184    200    -16    -4    12    107    0
53    42    196    200    -4    24    28    83    0
54    3    207    200    7    -15    -22    100    0
55    3    189    200    -11    -15    -4    119    0
56    56    194    200    -6    38    44    110    0
57    4    200    200    0    -14    -14    87    0
58    6    206    200    6    -12    -18    114    0
59    3    212    200    12    -15    -27    108    0
60    9    218    200    18    -9    -27    85    0
61    2    222    200    22    -16    -38    120    0
62    8    205    200    5    -10    -15    101    0
63    9    174    200    -26    -9    17    129    0
64    28    187    200    -13    10    23    105    0
65    4    204    200    4    -14    -18    107    0
66    6    220    200    20    -12    -32    116    0
67    2    203    200    3    -16    -19    81    0
68    0    211    200    11    -18    -29    74    0
69    38    216    200    16    20    4    96    0
70    1    203    200    3    -17    -20    105    0
71    3    198    200    -2    -15    -13    78    0
72    9    178    200    -22    -9    13    117    0
73    15    196    200    -4    -3    1    78    0
74    15    205    200    5    -3    -8    122    0
75    54    209    200    9    36    27    97    0
76    8    191    200    -9    -10    -1    112    0
77    10    212    200    12    -8    -20    74    0
78    72    196    200    -4    54    58    120    0
79    18    203    200    3    0    -3    80    0
80    0    186    200    -14    -18    -4    85    0
81    7    212    200    12    -11    -23    98    0
82    1    191    200    -9    -17    -8    103    0
83    9    203    200    3    -9    -12    87    0
84    45    197    200    -3    27    30    115    0
85    16    191    200    -9    -2    7    135    0
86    62    200    200    0    44    44    124    0
87    1    214    200    14    -17    -31    101    0
88    8    220    200    20    -10    -30    86    0
89    29    204    200    4    11    7    89    0
90    34    202    200    2    16    14    83    0

questo devi chiederlo a chi a creato alternativamente una pag. Gruppo_GPR diversa. ma per l'enorme mole di dati che vuoi analizzare NNPRED a mio parere non è indicata. meglio se ti scarichi un software di previsioni statistiche come ad esempio TANAGRA o GRETL oppure ORANGE ECC. ECC. in internet ce ne sono parecchi Free ma sappi che non sono facili da comprendere se non hai determinate conoscenze per affrontare analisi avanzate del genere.

 

[genios]

Halmun che cosa fanno i 1000 cicli dello Scan ?

Ciao Eugenio

 

[Halmun]

Halmun che cosa fanno i 1000 cicli dello Scan ?

Ciao Eugenio

Analizzano il Range Impostato per l'Analisi e servono a restituire un risultato secondo i principi fondamentali delle Reti Neurali, dove all'aumentare dei cicli diminuisce l'errore fra TARGET e OUTPUT. ( Regressione )
in INTERNET c'è moltissimo materiale al riguardo. dagli un'occhiata e cerca di capire un po' alla volta come funzionano le Reti Neurali. ciao.

 

[genios]

Da questa schermata :


pigiando il pulsante analizza il programma analizza 1000 cicli di 10 estrazioni sulla ruota di BA ?

 

[genios]

Come hai spiegato ho fatto un po' di ricerca sulla rete sulle reti neurali come primo passo suggeriscono di assegnare un input alla rete .

Sul programma di LuigiB in cosa consiste questo input ?

Sullo stesso che tipo di rete stiamo usando ?

Ciao Eugenio

 

[Halmun]

Da questa schermata :


pigiando il pulsante analizza il programma analizza 1000 cicli di 10 estrazioni sulla ruota di BA ?

ESATTO.

 

[genios]

Ho interrogato Lei mi ha dato queste risposte :

Il "Passaggio dell'input" si riferisce alla fase iniziale del funzionamento di una rete neurale, dove i dati di input vengono introdotti nella rete attraverso lo strato di input. Questo strato rappresenta il primo livello di neuroni all'interno della rete. Ogni neurone in questo strato è associato a una specifica caratteristica o informazione dell'input. Per capire meglio, vediamo un esempio pratico: Puoi fare l' esempio con i 90 numeri del lotto italiano ?




Certamente! Posso fornirti un esempio con i numeri del lotto italiano, anche se questo potrebbe essere un esempio un po' semplificato rispetto alla complessità di una rete neurale tipica. Tuttavia, spero che questo possa aiutarti a comprendere come funziona il "Passaggio dell'input" in relazione ai numeri del lotto.
Supponiamo che vogliamo creare una rete neurale che preveda i numeri vincenti del lotto italiano basandosi sui risultati precedenti. Utilizzeremo come input le estrazioni dei numeri del lotto, considerando gli ultimi 5 numeri estratti come caratteristiche dell'input. Quindi, avremo una sequenza di 5 numeri come input per ogni estrazione.
Ecco come potrebbe funzionare il "Passaggio dell'input" in questo contesto:

1. Preparazione dei dati di input: Raccogliamo i dati storici delle estrazioni del lotto. Ad esempio, supponiamo di avere un dataset che elenca i numeri estratti per le ultime 100 estrazioni.
2. Alimentazione dello strato di input: Ogni estrazione consiste in una sequenza di 5 numeri. Questa sequenza di numeri viene alimentata nel primo strato della rete neurale, che rappresenta lo strato di input. Ogni neurone in questo strato rappresenta uno dei numeri dell'ultima estrazione.
3. Pesi delle connessioni: Le connessioni tra gli input (numeri estratti) e i neuroni nello strato di input hanno pesi associati. Questi pesi influenzano l'importanza di ciascun numero per ciascun neurone.
4. Attivazione dei neuroni: Ogni neurone nello strato di input prende il valore del numero estratto e applica una funzione di attivazione. In questo esempio semplificato, potremmo immaginare una funzione di attivazione lineare che moltiplica il numero per il suo peso associato.
5. Uscita dello strato di input: L'output di ciascun neurone nello strato di input diventa l'input per gli strati successivi della rete neurale. Questi strati successivi potrebbero essere gli strati nascosti che apprendono relazioni complesse tra i numeri estratti per prevedere i numeri futuri.
6. Addestramento e predizione: Una volta costruita la rete neurale, possiamo addestrarla utilizzando i dati storici delle estrazioni del lotto. Durante l'addestramento, la rete cercherà di apprendere le relazioni tra i numeri estratti e le probabilità di successo dei numeri.
7. Predizione futura: Dopo aver addestrato la rete, possiamo utilizzarla per fare previsioni sui numeri futuri del lotto. Inseriremmo gli ultimi 5 numeri estratti come input nella rete, e l'output della rete ci darebbe una previsione dei numeri successivi.

Ricorda che questo è un esempio semplificato e che le reti neurali reali possono essere molto più complesse, con strati nascosti, funzioni di attivazione sofisticate e processi di addestramento più avanzati. Tuttavia, spero che questo ti dia un'idea di come funziona il "Passaggio dell'input" anche con i numeri del lotto italiano.

 

[Halmun]

Ho interrogato Lei mi ha dato queste risposte :

Il "Passaggio dell'input" si riferisce alla fase iniziale del funzionamento di una rete neurale, dove i dati di input vengono introdotti nella rete attraverso lo strato di input. Questo strato rappresenta il primo livello di neuroni all'interno della rete. Ogni neurone in questo strato è associato a una specifica caratteristica o informazione dell'input. Per capire meglio, vediamo un esempio pratico: Puoi fare l' esempio con i 90 numeri del lotto italiano ?




Certamente! Posso fornirti un esempio con i numeri del lotto italiano, anche se questo potrebbe essere un esempio un po' semplificato rispetto alla complessità di una rete neurale tipica. Tuttavia, spero che questo possa aiutarti a comprendere come funziona il "Passaggio dell'input" in relazione ai numeri del lotto.
Supponiamo che vogliamo creare una rete neurale che preveda i numeri vincenti del lotto italiano basandosi sui risultati precedenti. Utilizzeremo come input le estrazioni dei numeri del lotto, considerando gli ultimi 5 numeri estratti come caratteristiche dell'input. Quindi, avremo una sequenza di 5 numeri come input per ogni estrazione.
Ecco come potrebbe funzionare il "Passaggio dell'input" in questo contesto:

1. Preparazione dei dati di input: Raccogliamo i dati storici delle estrazioni del lotto. Ad esempio, supponiamo di avere un dataset che elenca i numeri estratti per le ultime 100 estrazioni.
2. Alimentazione dello strato di input: Ogni estrazione consiste in una sequenza di 5 numeri. Questa sequenza di numeri viene alimentata nel primo strato della rete neurale, che rappresenta lo strato di input. Ogni neurone in questo strato rappresenta uno dei numeri dell'ultima estrazione.
3. Pesi delle connessioni: Le connessioni tra gli input (numeri estratti) e i neuroni nello strato di input hanno pesi associati. Questi pesi influenzano l'importanza di ciascun numero per ciascun neurone.
4. Attivazione dei neuroni: Ogni neurone nello strato di input prende il valore del numero estratto e applica una funzione di attivazione. In questo esempio semplificato, potremmo immaginare una funzione di attivazione lineare che moltiplica il numero per il suo peso associato.
5. Uscita dello strato di input: L'output di ciascun neurone nello strato di input diventa l'input per gli strati successivi della rete neurale. Questi strati successivi potrebbero essere gli strati nascosti che apprendono relazioni complesse tra i numeri estratti per prevedere i numeri futuri.
6. Addestramento e predizione: Una volta costruita la rete neurale, possiamo addestrarla utilizzando i dati storici delle estrazioni del lotto. Durante l'addestramento, la rete cercherà di apprendere le relazioni tra i numeri estratti e le probabilità di successo dei numeri.
7. Predizione futura: Dopo aver addestrato la rete, possiamo utilizzarla per fare previsioni sui numeri futuri del lotto. Inseriremmo gli ultimi 5 numeri estratti come input nella rete, e l'output della rete ci darebbe una previsione dei numeri successivi.

Ricorda che questo è un esempio semplificato e che le reti neurali reali possono essere molto più complesse, con strati nascosti, funzioni di attivazione sofisticate e processi di addestramento più avanzati. Tuttavia, spero che questo ti dia un'idea di come funziona il "Passaggio dell'input" anche con i numeri del lotto italiano.

non so chi hai interrogato, ma chiunque ti abbia risposto in questo modo mi trova pienamente d'accordo. oltrermodo ti ha detto una cosa molto importante che è bene evidenziare:
*

Ricorda che questo è un esempio semplificato e che le reti neurali reali possono essere molto più complesse.

 

[darta1964]

via sul sito GMDH SHELL e troverai molti esempi al riguardo. e cmq. la 2.8.7 è solo una vecchia vrs Shareware che al contrario delle ultime vrs non si blocca dopo 15 gg. di utilizzo.

Ciao, purtroppo sono andato sul sito GMDH SHELL ma non l'ho trovata.La potresti per favore "postare" così la scarico ?.Grazie in anticipo !

 

[Halmun]

Ciao, purtroppo sono andato sul sito GMDH SHELL ma non l'ho trovata.La potresti per favore "postare" così la scarico ?.Grazie in anticipo !

NO, perché è coperta da Copyright ( © )

 

[Oscar]

Ciao, purtroppo sono andato sul sito GMDH SHELL ma non l'ho trovata.La potresti per favore "postare" così la scarico ?.Grazie in anticipo !

prova con

GMDH Shell 3.8.9

 

[Oscar]

prova con

GMDH Shell 3.8.9

E' una versione di prova , ma ti devi comunque registrare

 

[genios]

Halmun cosa fa questo foglio ?

 

[Halmun]

non lo so perché non la uso.
quella Pag. dovrebbe avere un grafico, e le istruzioni date da LuigiB sono le seguenti:

Il rilevamento dei valori è per ogni uscita del numero.
Nel caso il numero non sia uscito all'ultima estrazione del range analizzato viene aggiunto un nuovo punto nel grafico con il ritardo corrente.