(För jämförelseändamål vikterna är normaliserade Jämförelsen av X och Y initieras genom att bilda vektorn C = X - Y. igen för jämförelseändamål wi skall vara oberoende av xi och yi därmed vektor C1 bildas med hjälp av en operatör O. C1 = OC där O är sådan att med andra ord C1 är en vektor vars komponenter har bara värden 0, + 1, -1. Förutsägelsen är där p1 = W × S1 Därför förutsäga relativa resultatet, beroende som X kommer att göra bättre än sämre än eller liksom Y. Omdömen
Problemet programmering är att beräkna vikterna W så att prognoser kan göras.
För att göra detta program fungerar som en lärande maskin, ändra vikter när en felaktig förutsägelse har gjorts, tills hela en träningssekvens av diskreta tidsperioder har noggrant beskrivits. Antag att du använder vikterna W en förutsägelse RT har gjorts på data XT och YT dvs Antag vidare att förutsägelsen är fel (RT är känd sedan uppgifterna är all historisk i träningssekvensen) Låt Nya vikter W1 ska beräknas så att där A är en konstant parameter. Tydligt förutsägelsen görs rätt så länge som W1 kan beräknas.
Vi har och eftersom vikterna är normaliserade vi kan dela upp varje summa i tre delar allteftersom val av tecken beror på om X är bättre eller sämre än Y under den senaste perioden. Detta ger då en algoritm för att ändra vikterna när en felaktig förutsägelse har gjorts. Klart det bara sätter rätta förutsägelse i taget och kan mycket väl (och ofta gör) kasta några av de tidigare förutsägelser ut, det vill säga några förutsägelser som var rätt med de gamla vikterna är fel med de nya vikter.
Lösningen på detta är att gå igenom historien, att sätta rätt eventuella fel förutsägelser när de uppstår tills hela historien kan förutsägas med en uppsättning vikter. Metoden är således en iterativ en och. så förtjänar begreppet inlärningsmaskin. Utbildningsmetoden (vikt föränderliga förfaranden som beskrivs ovan) kan visas att konvergera (dvs, kan någon historia vara så beskrivas med en uppsättning vikter) och formellt bevis kan hittas