我想知道人工神经网络是否可以应用于离散值输入?我知道它们可以应用于连续值输入,但它们能否应用于离散值输入?此外,对于离散值输入,它们的表现会好吗?
我想知道人工神经网络是否可以应用于离散值输入?我知道它们可以应用于连续值输入,但它们能否应用于离散值输入?此外,对于离散值输入,它们的表现会好吗?
是的,人工神经网络可以应用于具有离散值输入变量的数据。在最常用的神经网络体系结构(数值型)中,离散输入通常由一系列虚拟变量表示,就像统计回归一样。与回归一样,需要比虚拟变量的不同值少一个。还有其他方法,但这是最直接的方法。
我回答这个问题有点晚,但希望能对某些人有所帮助。
假设你有一个分类输出变量,例如3个不同的类别(0、1和2),
0
2
1
2
1
0
然后变成
1, 0, 0
0, 0, 1
0, 1, 0
0, 0, 1
0, 1, 0
1, 0, 0
0.2, 0.3, 0.5 (winner is categ 2)
0.05, 0.9, 0.05 (winner is categ 1)
...
在这种情况下,您的NN将具有3个输出节点,因此取最大值。 为了改进这一点,使用熵作为误差度量和输出层上的softmax激活,以使输出总和为1。
嗯,好问题让我来回答吧!
首先,让我直接回答你的问题是肯定的!
这个答案涉及到考虑网络本身的使用和实现的几个方面。
然后让我解释一下为什么:
作为额外的加分项,你可以考虑在层之间使用“step”传递函数,而不是“tan-sigmoid”,以增强和模拟一种数字化,强制输出只能是0或1。但你还应该重新考虑起始归一化以及使用调整良好的阈值。
NB:这个小技巧并不是真正必要的,但可能会带来一些次要的好处;也许在开发的第二阶段测试一下,看看有什么不同。
PS:我想建议一些关于你的问题的事情;如果你聪明的话,考虑在你的学习算法中使用一些模糊逻辑。
祝好!