今天要來談的是怎麼用粒子群演算法來更新網路權重，其實昨日已經有討論到這個部分，因此今天主要會談的事情是 fitness function （配適函數）或是成本函數、誤差函數。簡單來說，在類神經網路中我們談的訓練這件事情，就是透過我們已經知道問題的答案（可能是絕對答案或相對較好的答案），來更新我們的模型。

實務上由於我們採用了啟發式演算法，所以我們不用受限於是否可以微分，甚至說我們可以加入更多奇奇怪怪的一些東西來幫助我們來更新 fitness function ，舉例來說，假如我們現在有一組資料，是一個股票價格的資料，我們透過訓練過程，希望對下一筆資料的預測準確與否來更新：

實務上，我們既然都用啟發式演算法，我們可以完全自由的來更新我們的權重（或 RBFNN 的中心點），舉例來說，我們可以透過預測值建立一組交易策略，而我們的配適值就是他的交易策略是否賺錢：

這張圖可能會讓你以為我們的預測值好像是移動平均一樣，實際上在訓練的時候預測值會十分接近實際值，而且長的會很醜，會像是另外一條價格走勢。

因此，我的 fitness 函數可以長成這樣子：

其中 MSE 就是一般的誤差函數，前面的 return 就是依據預測值所做的某種交易策略的報酬率。

你就會發現，我們開始把應用場景的業務指標放進來了。

趕時間，越打越少... QQ... 感謝海綿寶寶大大的持續支持!! 我都有看到!! 還有感謝大家, 越打越少請見諒, 最近好忙 QQ... 不過我會堅持的!!!!