Hay 2 preguntas aquí.
Usando ANN estándar no necesita producir resultados estocásticos para predecir el rango de una variable. Simplemente entrene a la ANN para que tenga 2 salidas: la primera salida es la mejor predicción (media o mediana) del valor y la segunda salida es el rango esperado de la variable. Por supuesto, para el entrenamiento necesitará calcular el rango esperado para cada conjunto de datos de entrada, pero esto debería ser fácil ya que presumiblemente tiene la serie de tiempo completa. Esto funcionará siempre que algo en el conjunto de datos de entrada prediga la variabilidad posterior de la variable de salida, que de todos modos es el supuesto subyacente en este caso.
Si, por el contrario, desea que el ANN ‘resuelva por sí mismo’ cuán confiables son sus propias predicciones para cualquier entrada dada, entonces este es un problema completamente diferente y mucho más difícil. Debería proporcionarle retroalimentación sobre sus predicciones, y necesitaría incorporar esa retroalimentación a lo largo del tiempo para refinar sus resultados, así como realizar la capacitación original. Pero para darle retroalimentación necesitaría calcular el rango de la variable por usted mismo en cualquier caso (como arriba), por lo que sería más fácil incorporar este conocimiento en el entrenamiento original (como arriba).
- ¿Por qué Mark requirió construir jarvis?
- Cuando la Inteligencia Artificial alcanza la capacidad para hacerlo, ¿debería permitirse enseñar a los niños humanos?
- ¿Cuál es una explicación simple de una red neuronal recurrente?
- ¿Cómo puede ser útil la IA para responder al problema "difícil" de la conciencia?
- ¿Cuándo veremos una pistola de hombro inteligente capaz de apuntar a un objetivo?
La segunda pregunta es: ¿puede un ANN producir resultados estocásticos? Si está hablando de un ANN de avance estándar, la respuesta es No. Necesitaría una red neuronal recurrente (RNN) para esto. En lugar de ser entrenado, el RNN necesitaría ser ‘sintonizado’ para producir una dinámica caótica estable: las ‘Redes de Estado Eco’ hacen algo similar. La dinámica caótica es en realidad pseudoaleatoria, pero si la red está sintonizada y muestreada adecuadamente, entonces esto puede ser indistinguible de la aleatoriedad real, con la diferencia de que las secuencias pseudoaleatorias pueden reproducirse iniciando la red en la misma configuración inicial.
