Rete Neurale

[Sakti]

stò continuando a testare , poi riferirò in merito, quantomeno per continuare l'addestramento neurale...

 

[lotto_tom75]

Altre info relativi ai parametri di NNLP by my friend...

1. Learning Rate: Il learning rate determina la velocità con cui il modello apprende dai dati di addestramento. Valori più alti di learning rate possono accelerare il processo di addestramento, ma potrebbero compromettere la precisione. Inizia con un valore di learning rate medio, ad esempio 0.01, e successivamente puoi sperimentare con valori più alti o più bassi per ottenere risultati ottimali.

2. Momentum: Il momentum è un parametro che accelera la velocità di apprendimento del modello in direzione dei gradienti steepesti. Puoi impostare il valore di momentum su 0.0 se non desideri applicarlo nell'addestramento iniziale. In caso contrario, puoi iniziare con un valore basso, ad esempio 0.5, e successivamente regolarlo in base ai risultati che ottieni.

3. Noise: Il parametro di rumore (noise) viene utilizzato per introdurre un certo grado di casualità nell'addestramento del modello. Puoi impostare il valore di noise su 0.0 se non desideri applicarlo. Altrimenti, puoi sperimentare con valori bassi, ad esempio 0.01, per vedere se migliora la capacità di generalizzazione del modello.

4. Threshold (stop training): Il parametro di threshold determina il valore di errore medio che il modello deve raggiungere per fermare l'addestramento. Puoi impostare un valore di threshold ragionevole, ad esempio 0.001, in modo che l'addestramento si interrompa quando il modello raggiunge una buona precisione.

5. Hidden Layer Neurons: Il numero di neuroni nel livello nascosto influisce sulla complessità del modello e sulla sua capacità di apprendimento. Inizia con un numero moderato di neuroni, ad esempio 10, e successivamente puoi sperimentare con valori più alti o più bassi per trovare il giusto equilibrio tra complessità e prestazioni.

6. Training Data Range: Questo parametro determina il numero di estrazioni di addestramento da utilizzare. Puoi impostare un valore pari al numero di estrazioni disponibili, in questo caso 18, per utilizzare tutte le estrazioni come dati di addestramento.

7. Skip Training Data (latest): Puoi utilizzare questo parametro per escludere un certo numero di estrazioni più recenti dall'addestramento. Puoi impostarlo su 0 per includere tutte le estrazioni nell'addestramento.

8. Process Priority: Questo parametro regola la priorità di esecuzione del programma. Puoi lasciare il valore predefinito o impostarlo in base alle tue preferenze o alla capacità del tuo sistema.

9. Fixed Seed Input Weights: Se desideri riproducibilità nei risultati, puoi impostare un valore specifico per i pesi iniziali dei neuroni. In caso contrario, puoi lasciare questo parametro disabilitato.



Total Error: Questa voce indica l'errore totale ottenuto dal processo di addestramento della rete neurale. L'errore rappresenta la differenza tra i numeri previsti dalla rete neurale e i numeri effettivi estratti nella storia delle estrazioni.

Average Error: Questa voce rappresenta l'errore medio ottenuto dal processo di addestramento. È calcolato dividendo il valore del Total Error per il numero totale di estrazioni utilizzate per l'addestramento.

Last Error: Indica l'errore ottenuto nell'ultima fase di addestramento della rete neurale. Rappresenta la differenza tra i numeri previsti dalla rete e i numeri effettivamente estratti nella fase di addestramento finale.

Date Time: Questa voce indica la data e l'ora in cui è stato effettuato l'addestramento della rete neurale o il momento in cui sono stati generati i picks (scelte) della rete neurale.

NN Settings: Questa voce riporta le impostazioni attuali della rete neurale, che comprendono i parametri di configurazione che hai selezionato come learning rate, momentum, noise, hidden layer neurons, ecc.

Hits with skipped training: Questa voce mostra il numero di corrispondenze (hits) tra i numeri estratti nella storia delle estrazioni e i numeri previsti dalla rete neurale, considerando anche le estrazioni che sono state saltate durante l'addestramento.


Ricorda che queste sono solo linee guida generali e potrebbe essere necessario adattare i parametri in base al tuo specifico caso di studio. Sperimenta con diversi valori e osserva come influiscono sui risultati. Inoltre, assicurati di avere una quantità significativa di dati di addestramento per ottenere risultati più accurati.



Per quanto riguarda i miei test iniziali per adesso mi pare che il limite supportato di righe (estrazioni) per NNLP sia di 5400 ca. Risulta anche a voi? Altrimenti quante righe siete riusciti a caricare al massimo all'interno del programma?

 

[claudio8]

Due domande.
partendo dai 5 estratti, posso estrapolare solo pick da 2 numeri? ... a me pare di no
quando imposto diversi pick ... che faccio prendo il più presente?

 

[claudio8]

9. Fixed Seed Input Weights: ABILITATO "Se desideri riproducibilità nei risultati, puoi impostare un valore specifico per i pesi iniziali dei neuroni."
Ho mantenuto inalterati parameri e Draw ma non mi restituisce gli stessi picks... dove sbaglio.

 

[lotto_tom75]

Due domande.
partendo dai 5 estratti, posso estrapolare solo pick da 2 numeri? ... a me pare di no
quando imposto diversi pick ... che faccio prendo il più presente?

Non credo che con quel programma NNPL si possa scegliere la dimensione del pick di uscita rispetto ai alla classe dei dati di estrazioni importate...

1. Puoi prendere in considerazione diversi approcci, a seconda delle tue preferenze e dell'obiettivo dell'analisi. Alcune opzioni comuni potrebbero includere:
   • Pick più frequente: Se hai estratto più pick, puoi scegliere la pick che appare più frequentemente tra le estrazioni passate. Questo può essere utile se stai cercando di identificare i numeri più comuni o di maggior interesse.
   • Pick con la più bassa media di errore: Se stai utilizzando un modello di rete neurale o un algoritmo che produce valori di errore per ogni pick, puoi scegliere la pick con la media di errore più bassa. Questo potrebbe indicare una maggiore precisione o adattamento del modello alle estrazioni passate.
   • Pick basata su altri criteri: A seconda del contesto o degli obiettivi specifici, potresti prendere in considerazione altri fattori come la varietà dei numeri nella pick, la presenza di sequenze o altre caratteristiche desiderate.
     

In definitiva, la scelta del criterio per selezionare la pick finale dipende da ciò che ritieni più rilevante o significativo nel contesto delle tue analisi e previsioni.

 

[lotto_tom75]

9. Fixed Seed Input Weights: ABILITATO "Se desideri riproducibilità nei risultati, puoi impostare un valore specifico per i pesi iniziali dei neuroni."
Ho mantenuto inalterati parameri e Draw ma non mi restituisce gli stessi picks... dove sbaglio.


Vedi l'allegato 2259973

Se hai abilitato l'opzione "Fixed Seed Input Weights" e hai mantenuto tutti gli altri parametri e i dati di input identici, dovresti ottenere gli stessi picks ogni volta che esegui il programma. Tuttavia, ci sono alcune possibili ragioni per cui potresti ottenere risultati diversi:

1. Verifica che il valore del "Fixed Seed Input Weights" sia lo stesso in tutte le tue esecuzioni. Se cambi il valore del seed, anche di un piccolo valore, potresti ottenere picks diversi.
2. Assicurati di avere la stessa versione del programma in tutte le tue esecuzioni. Se stai utilizzando diverse versioni o build del programma, potrebbero esserci differenze nei risultati.
3. Controlla se ci sono altre variabili o parametri che potrebbero influire sui picks generati. Ad esempio, se ci sono parametri casuali o fluttuanti nel processo di generazione dei picks, potrebbero influenzare i risultati anche con lo stesso seed.
4. Verifica se ci sono errori durante il caricamento dei dati di input o durante il processo di addestramento della rete neurale. Se ci sono problemi nel caricamento dei dati o nel processo di addestramento, potrebbe influire sui risultati.

Se hai verificato tutti questi punti e stai ancora ottenendo picks diversi nonostante l'opzione "Fixed Seed Input Weights" abilitata, potrebbe essere utile contattare il supporto tecnico o il creatore del programma per ulteriori assistenza e risoluzione del problema.

 

[mirapep]

Buongiorno,
tom che programma stai utilizzando?

 

[claudio8]

Tom questa rete Neural Network Lottery Picker 2.1 non salva i settaggi, io la trovo poco funzionale.
A mio parere con NNLP si perde solo tempo.
Se proprio vogliamo approfondire l'argomento bisogna cercare qualcosa di funzionale.
Ciao

 

[lotto_tom75]

Buongiorno,
tom che programma stai utilizzando?

Quello che hai condiviso tu mirapep : NNLP

 

[lotto_tom75]

Tom questa rete Neural Network Lottery Picker 2.1 non salva i settaggi, io la trovo poco funzionale.
A mio parere con NNLP si perde solo tempo.
Se proprio vogliamo approfondire l'argomento bisogna cercare qualcosa di funzionale.
Ciao

I settaggi claudio li trovi salvati nel file txt di report alla voce:

NN Settings: Questa voce riporta le impostazioni attuali della rete neurale, che comprendono i parametri di configurazione che hai selezionato come learning rate, momentum, noise, hidden layer neurons, ecc.

Il problema credo comunque che non sia tanto il programma in oggetto che tra tutti stiamo provando a testare con scarsi risultati bensì nel non saperlo sfruttare adeguatamente per le poche o nulle conoscenze che tra tutti abbiamo riguardo questa potenziale e affascinante materia... delle "reti neurali applicate al calcolo predittivo" Ciao

 

[lotto_tom75]

Proposta elaborazionale collettiva: partendo da un numero di ultime estrazioni (es. 5400) e ruota (es. MILANO o per il prossimo mese NAPOLI) comuni (x massima omogeneità di output) proviamo a vedere tra tutti di raggiungere il minimo valore possibile di total error (in grassetto nero) e average error (in grassetto rosso)? Good Saturday

es.

2306,99987626269;0,653561855323631;0,389561753023133;tempo:3 minuti;Learning Rate:0,014935| Momentum: 0,526657| Noise:0,527|Threshold Error:0|Hidden Neurons:50|Test Data Range:5401

Ps: ovviamente ognuno dovrà mettere anche la propria configurazione di NN Settings (in grassetto blu) e il tempo indicativo della propria ricerca (in grassetto verde). I numeri relativi invece non li metterei per non creare confusione e false aspettative durante questi test di tipo neurale puramente teorici.

 

[Halmun]

non conosco la rete che state utilizzando, io ne uso altre, prevalentemente per regressione, e sinceramente dopo vari anni di utilizzo non posso lamentarmi. ad una rete neurale non interessano ritardi, frequenze, scompensi ecc. ecc. a meno che non si analizzino RANGE preparati per casi in questione. io mi sono creato fogli excel di conversione-dati dei risultati delle reti che utilizzo, e successivamente tramite filtri-excel e quant'altro traggo le mie personali deduzioni.
ma come ogni strategia anche i risultati di una rete vanno seguiti passo-passo, e solo attraverso l'osservazione dei periodi-momenti positivi si deve decidere se attaccare il gioco o meno, e lungi dal far polemiche sterili, ma chi dice che non servono a nulla o che non aiutino a raggiungere determinati risultati si sbaglia di grosso, o perlomeno non sa di cosa parla.
le reti analizzano numeri, che siano valori mensili o annuali dei guadagni di una attività, o andamenti statistici di previsione per le vendite, o l'andamento statistico o meno di determinati gruppi numerici al LOTTO non vi è alcuna differenza.
di seguito l'ultimo recente esempio ( ne ho a decine, e alcuni con esiti anche superiori ) tratto da una scansione con una mia Rete, dove i primi classificati per regressione dimostrano come al solito, e ormai da anni una certa attendibilità.
in questo caso le seconde posizioni. vedi foto.

BARI - Fine Data Range Analizzato 29/06/2023
osserviamo nella foto i 2°i classificati :
67-22-15-25-24

Esito 15 24 67 al 1° C.

 

[Halmun]

l'importanza dei RANGE virtuali rispetto al RANGE normale ( le normali 5 colonne dei 5 estratti )
a pari configurazione e cicli d'apprendimento è palese la differenza quando si da un'occhiata alla Regressione, qui nell'esempio decisamente a vantaggio di Determinati RANGE creati ad Hoc per ottenere il Minimo errore.
ovvio che la stessa cosa la si può ottenere anche con la Funzione Regressione di Excel senza dover ricorrere ad un software neurale, ma non è la stessa cosa. una regressione di tipo Neurale, quindi condizionata da nodi, strati nascosti, coefficiente di regressione ecc. ecc. al confronto restituisce una differenza Abissale.

Allineamento Target-Output : Confronto Somma degli Errori:

Scan con Range Normale = 1722,5311
Scan con Range Virtuale = 129,1027

 

[Halmun]

Reti neurali x Clustering ( es: EXCEL-TOOL : NNCLUST di Angshuman Saha )
da sempre sono stato d'accordo con quanto riportato nelle foto ( il passo dell'articolo non è mio ) e stessa cosa vale x gli errori fra Target e Output, ma per quanto l'errore medio sia considerato il punto più importante, e di conseguenza tutti quei valori-errore che si avvicinano di più all'errore medio, la mia personale esperienza mi ha insegnato che i Punti d'Attrazione sono prevalentemente 3 .

1° - valori numerici ( ambate ) associati o più vicini all'errore Minimo

2° - valori numerici ( ambate ) associati o più vicini all'errore Medio

3° - valori numerici ( ambate ) associati o più vicini all'errore Massimo

 

[claudio8]

Ciao Dario, quello che scrivi è molto interessane da leggersi, ma tradurlo in pratica per me è impossibile se non parto da esempi e software precisi e descrittivi.
Grazie , se puoi

 

[Halmun]

x Claudio8
ma non ti avevo mandato tempo fa alcuni software da utilizzare secondo tuoi personali accorgimenti?
compreso PYTHIA e GMDH che almeno sono RETI VERAMENTE STABILI.
e con IL termine STABILE intendo dire che al ripetersi ex-novo della Scansione la rete ti deve restituire gli stessi risultati.
infatti x pura curiosità ho provato la rete che state testando e a mio parere fate prima a buttarla via. ogni volta che chiudi il software e lo riapri con gli stessi parametri d'ingresso e accorgimenti vari ti restituisce valori completamente diversi dalla scansione precedente.
ora, a parte il fatto che anche così potrebbe restituirvi prima o poi esiti apprezzabili, tanto varrebbe a questo punto chiedere i numeri alla signora Gina del 4° piano, di norma anche Lei ci azzecca con i numeri che le danno in sogno.
scherzi a parte: ricordati cmq. che PYTHIA, x quanto STABILE, risente delle differenze fra le varie CPU dei PC. come ricordo di aver dimostrato quando la testammo sul tuo PC confrontandolo col mio .......... i miei risultati differivano dai tuoi, ma in entrambi i casi risultarono attendibili.
se poi vuoi tagliare la testa al toro affidati a GMDH ..... non ha certo questi problemi, e personalmente la considero straordinaria.
IDEM x NNPRED .... i suoi 100 risultati progressivi estrapolati dalla sezione Profil modificabile a piacimento sono i + attendibili nei primi e negli ultimi valori della progressione. quindi lascia stare la regressione nella sezione nascosta Process, gli scarti-errori sono enormi.

 

[Halmun]

Buon giorno Mira

Queste reti hanno bisogno di molti test per il loro settaggio e comunque come dice l'autore stesso :
" Non ci sono prove matematiche (secondo le mie informazioni) le reti neurali ti aiuteranno a vincere alla lotteria o ti daranno scelte migliori rispetto ad altre tecniche. Anche se questo strumento può darti dei risultati sorprendentemente buoni di tanto in tanto... "

Per quanto ne sappia io, un conoscitore di reti neurali è @Halmun.

Comunque a prima vista non mi pare molto diverso dal vecchio NNpred in excel ( traducibile in italiano) che con qualche accorgimento in VBA è forse maggiormente versatile rispetto a questo programma.

Spero che qualcuno ti sappia dare migliori notizie.
Saluti

NNPRED? a parer mio decisamente migliore.

 

[Halmun]

TEST FATTO AL VOLO CON NNPRED - SCAN SU RANGE-NUMERI DA 46 A 90 - FINE DATA RANGE ANALIZZATO 20/06/2023
SEGUONO I 100 RISULTATI X COLONNA TRATTE DALLE 4 PROFIL + MEDIA FINALE
DIAMO ORA UN'OCCHIATA AI PRIMI VALORI 67-68-59-54-62
BARI : ESITI: .............. AMBO 59-68 al 4° C. + AMBO 67-62 AL 5° C.
( inutile sottolineare che stiamo aspettando la coppia 53-54 con ambata primaria 54 )

A	B	C	D	MD
66,542905868610	67,781570804853	58,692563008850	53,824535781106	61,710393865855
66,586071889851	67,802581500292	58,851091034468	53,937500564625	61,794311247309
66,629240347341	67,823587673016	59,012222793471	54,055506648311	61,880139365535
66,672409317929	67,844589239367	59,175946454006	54,178765831578	61,967927710720
66,715578643238	67,865586115801	59,342253739491	54,307498428322	62,057729231713
66,758748165386	67,886578218891	59,511133410082	54,441929977907	62,149597443066
66,801915962626	67,907565465322	59,682564116427	54,582287004603	62,243583137245
66,845081878221	67,928547771900	59,856528125446	54,728804667993	62,339740610890
66,888245755982	67,949525055549	60,033004500970	54,881716265129	62,438122894407
66,931405676280	67,970497233313	60,211961671011	55,041261110204	62,538781422702
66,974561484452	67,991464222358	60,393371797616	55,207679968126	62,641769368138
67,017713026439	68,012425939974	60,577203666912	55,381209309112	62,747137985609
67,060858385434	68,033382803151	60,763414987389	55,562088652659	62,854936207158
67,103997409281	68,054333730148	60,951967389748	55,750555057956	62,965213396783
67,147129358904	68,075279138337	61,142816424152	55,946836304303	63,078015306424
67,190254083750	68,096218945515	61,335916688079	56,151158894811	63,193387153039
67,233369671865	68,117153069610	61,531211278011	56,363741504771	63,311368881064
67,276475975097	68,138081428680	61,728647592506	56,584787011742	63,431998002006
67,319572846019	68,159003940919	61,928169600936	56,814491266257	63,555309413533
67,362658377122	68,179920524651	62,129709599840	57,053035468128	63,681330992436
67,405732423748	68,200831098341	62,333204578764	57,300577059423	63,810086290069
67,448794842008	68,221735580589	62,538588253285	57,557261718185	63,941595098517
67,491843729524	68,242633890131	62,745782631786	57,823203417078	64,075865917130
67,534878945541	68,263525945848	62,954714899300	58,098496979216	64,212904192476
67,577900350120	68,284411666758	63,165309236185	58,383208920084	64,352707543286
67,620906046687	68,305290972024	63,377478223353	58,677366850933	64,495260523249
67,663895898793	68,326163780952	63,591140189724	58,980971527960	64,640542849357
67,706869770850	68,347030012993	63,806210839480	59,293987172451	64,788524448943
67,749825772755	68,367889587746	64,022594524742	59,616330491628	64,939160094218
67,792763772758	68,388742424957	64,240201993049	59,947884724006	65,092398228693
67,835683640015	68,409588444520	64,458941847440	60,288489910215	65,248175960548
67,878583491547	68,430427814863	64,678711716004	60,637932079896	65,406413775577
67,921463200692	68,451259959337	64,899416327622	60,995962926840	65,567025603623
67,964322641734	68,472085046758	65,120958830193	61,362274861163	65,729910344962
68,007159939457	68,492902997630	65,343231886606	61,736522343222	65,894954291729
68,049974972667	68,513713732613	65,566136000177	62,118313226874	66,062034483083
68,092767621147	68,534517172525	65,789570717330	62,507199452456	66,231013740865
68,135536018080	68,555313238342	66,013425679398	62,902698450577	66,401743346599
68,178280048102	68,576101851199	66,237599114230	63,304285620276	66,574066658452
68,220999015032	68,596882932393	66,461985892550	63,711386382702	66,747813555669
68,263692806553	68,617656403380	66,686483854877	64,123400417892	66,922808370676
68,306359568003	68,638422185783	66,910981802674	64,539695297024	67,098864713371
68,348999192343	68,659180201385	67,135378076828	64,959603498365	67,275790242230
68,391611573590	68,679930619453	67,359571598395	65,382430610213	67,453386100413
68,434194866898	68,700672867381	67,583452930470	65,807486322168	67,631451746729
68,476748971872	68,721407114862	67,806922820424	66,234045845646	67,809781188201
68,519273789201	68,742133284351	68,029883219795	66,661377392972	67,988166921580
68,561767484441	68,762851298475	68,252228398300	67,088770198945	68,166404345041
68,604229964171	68,783561080029	68,473863365263	67,515495692165	68,344287525407
68,646661136076	68,804262551985	68,694694899075	67,940835301504	68,521613472160
68,689059176684	68,824955637484	68,914622741664	68,364107838085	68,698186348479
68,731423999864	68,845640259846	69,133557818755	68,784630230440	68,873813077226
68,773755520613	68,866316342565	69,351413310073	69,201744489859	69,048307415778
68,816051926985	68,886983809315	69,568095952091	69,614843375695	69,221493766022
68,858313140444	68,907642583946	69,783523982749	70,023330668942	69,393202594020
68,900539083597	68,928292590488	69,997618283899	70,426646381080	69,563274084766
68,942727956564	68,948933999161	70,210293819485	70,824289969351	69,731561436140
68,984879688693	68,969566242235	70,421477237598	71,215780389363	69,897925889472
69,026994210492	68,990189490400	70,631098116519	71,600679015768	70,062240208295
69,069069734668	69,010803668416	70,839080564495	71,978610096292	70,224391015968
69,111106198730	69,031408701229	71,045360420090	72,349221083546	70,384274100899
69,153103541362	69,052004513970	71,249876632528	72,712203122730	70,541796952648
69,195059988360	69,072591031960	71,452563047750	73,067308809132	70,696880719301
69,236975485661	69,093168180705	71,653365156654	73,414313459708	70,849455570682
69,278849410180	69,113735885902	71,852228943179	73,753039116095	70,999463338839
69,320681711901	69,134294073439	72,049106358876	74,083340917341	71,146855765389
69,362470634827	69,154842669396	72,243944618507	74,405128000889	71,291596480905
69,404216136521	69,175381600045	72,436702281999	74,718327074827	71,433656773348
69,445918175726	69,195911036519	72,627341058696	75,022898058468	71,573017082352
69,487575010646	69,216430416024	72,815818112828	75,318846941590	71,709667620272
69,529186607831	69,236939910201	73,002101609030	75,606191720338	71,843604961850
69,570752935012	69,257439446104	73,186162739974	75,884976510741	71,974832907958
69,612272265037	69,277928950982	73,367968284596	76,155282988800	72,103363122354
69,653744573660	69,298408352285	73,547495594418	76,417199035288	72,229211888913
69,695169837815	69,318877577663	73,724724865229	76,670831602564	72,352400970818
69,736546345419	69,339336554963	73,899631961850	76,916317047638	72,472957977467
69,777874081632	69,359785212239	74,072202829671	77,153792640780	72,590913691080
69,819153032788	69,380223477743	74,242426027548	77,383408388375	72,706302731614
69,860381502281	69,400651279934	74,410285829714	77,605336477286	72,819163772304
69,901559484867	69,421068547473	74,575776053329	77,819745640894	72,929537431641
69,942686976460	69,441475209229	74,738892866157	78,026812069723	73,037466780392
69,983762296323	69,461871437349	74,899628172998	78,226728105699	73,142997503092
70,024785448975	69,482256674837	75,057982855704	78,419679341877	73,246176080348
70,065756440085	69,502631094384	75,213959865563	78,605854700621	73,347050525163
70,106673605149	69,522994625690	75,367557898513	78,785454459697	73,445670147262
70,147536958612	69,543347198663	75,518784048975	78,958669888946	73,542084523799
70,188346516047	69,563688743423	75,667647193352	79,125692544529	73,636343749338
70,229100629536	69,584019190300	75,814151955375	79,286721674489	73,728498362425
70,269799323590	69,604338469840	75,958310779261	79,441946159518	73,818598683052
70,310442070495	69,624646512799	76,100135691096	79,591555603645	73,906694969509
70,351028899247	69,644943250150	76,239642134895	79,735734417096	73,992837175347
70,391558184553	69,665228613080	76,376841310313	79,874671284361	74,077074848077
70,432029964540	69,685502532993	76,511751486140	80,008543801242	74,159456946229
70,472444278413	69,705765182986	76,644392070213	80,137526065921	74,240031899383
70,512799518204	69,726016011804	76,774778242613	80,261794746247	74,318847129717
70,553095732384	69,746255193118	76,902931713980	80,381515469461	74,395949527236
70,593332970467	69,766482659205	77,028875086064	80,496849736997	74,471385113183
70,633509642100	69,786698342560	77,152626762177	80,607960460220	74,545198801764
70,673625806186	69,806902175902	77,274211165287	80,714999892566	74,617434759985
70,713681522644	69,827094092168	77,393653383873	80,818115905836	74,688136226130

 

[Halmun]

non conosco la rete che state utilizzando, io ne uso altre, prevalentemente per regressione, e sinceramente dopo vari anni di utilizzo non posso lamentarmi. ad una rete neurale non interessano ritardi, frequenze, scompensi ecc. ecc. a meno che non si analizzino RANGE preparati per casi in questione. io mi sono creato fogli excel di conversione-dati dei risultati delle reti che utilizzo, e successivamente tramite filtri-excel e quant'altro traggo le mie personali deduzioni.
ma come ogni strategia anche i risultati di una rete vanno seguiti passo-passo, e solo attraverso l'osservazione dei periodi-momenti positivi si deve decidere se attaccare il gioco o meno, e lungi dal far polemiche sterili, ma chi dice che non servono a nulla o che non aiutino a raggiungere determinati risultati si sbaglia di grosso, o perlomeno non sa di cosa parla.
le reti analizzano numeri, che siano valori mensili o annuali dei guadagni di una attività, o andamenti statistici di previsione per le vendite, o l'andamento statistico o meno di determinati gruppi numerici al LOTTO non vi è alcuna differenza.
di seguito l'ultimo recente esempio ( ne ho a decine, e alcuni con esiti anche superiori ) tratto da una scansione con una mia Rete, dove i primi classificati per regressione dimostrano come al solito, e ormai da anni una certa attendibilità.
in questo caso le seconde posizioni. vedi foto.

BARI - Fine Data Range Analizzato 29/06/2023
osserviamo nella foto i 2°i classificati :
67-22-15-25-24

Esito 15 24 67 al 1° C.

BARI - Fine Data Range Analizzato 01/07/2023
Esito 11 12 al 1° C.

non l'ho giocata causa attenzione su altri N°i ma vi invito ad osservare ancora i 2°i classificati, dove la stringa Numerica composta da 8 numeri rilevati sulle 4 classifiche ( secondo me troppi ) ha cmq. restituito un ambo al 1° C. esattamente come la volta precedente dove avevamo una stringa di soli 5 Numeri.

 

[forerunner]

BARI - Fine Data Range Analizzato 01/07/2023
Esito 11 12 al 1° C.

non l'ho giocata causa attenzione su altri N°i ma vi invito ad osservare ancora i 2°i classificati, dove la stringa Numerica composta da 8 numeri rilevati sulle 4 classifiche ( secondo me troppi ) ha cmq. restituito un ambo al 1° C. esattamente come la volta precedente dove avevamo una stringa di soli 5 Numeri.

Ciao Halmun,
innanzitutto complimenti per le tue analisi. Inoltre, se non ti dispiace ti chiedo di mandarmi il giusto link per scaricare NNPRED.
Saluti
forerunner