有人可以向我解释如何处理更复杂的数据集，例如团队统计数据、天气、骰子和复数类型吗？
我理解所有的数学知识以及它们的工作原理，但我不知道如何输入更复杂的数据，并且不知道如何读取输出的数据。
如果有人能提供Python示例，那将是一个很大的帮助。
神经网络的输入/输出
3
- ATMA
2
你在使用哪些工具或库？ - dalloliogm
在编程中提供Python示例是毫无意义的，你所表示的输入数据集的方式并不取决于你使用的编程语言，而是取决于你需要神经网络学习什么样的信息。也许你可以在一些大学的神经网络课程书上找到一些好的例子（比如Bishop的“模式识别的神经网络”）？ - mic.sca
4个回答
3
您需要将输入和输出编码为可以由神经网络单元表示的内容（例如，如果您的单位范围在[-1,1]内，则对于“x具有某个属性p”，请使用1，“x没有属性p”则使用-1）。
您编码输入和解码输出的方式取决于您想要训练神经网络的内容。
此外，不同任务有许多“神经网络”算法和学习规则（如反向传播、Boltzmann机器、自组织映射）。
您编码输入和解码输出的方式取决于您想要训练神经网络的内容。
此外，不同任务有许多“神经网络”算法和学习规则（如反向传播、Boltzmann机器、自组织映射）。
- mic.sca
2
您的特征必须分解为可以表示为实数的部分。神经网络的神奇之处在于它是一个黑盒子，在训练过程中将进行正确的关联（具有内部权重）。
输入
选择尽可能少的功能来准确描述情况，然后将每个功能分解为一组实值数字。
- 天气：[今天的温度，今天的湿度，昨天的温度，昨天的湿度...] 内部自动关联今天的温度和今天的湿度。 - 团队统计信息：[平均身高，平均体重，最大身高，最高得分...] - 骰子：不确定是否理解这一点，您是指如何编码离散值吗？ - 复数：[a，ai，b，bi...]
* 离散值特征很棘手，但仍然可以编码为（0.0,1.0）。问题在于它们不提供要学习的阈值的梯度。
输出
您决定输出的含义，然后以该格式对您的训练示例进行编码。输出值越少，训练就越容易。
- 天气：[明天下雨的机会，明天的温度...] ** - 团队统计信息：[获胜的机会，以20分以上的优势获胜的机会...] - 复数：[x，xi...]
** 在这里，您的训练向量将是：如果第二天下雨，则为1.0；如果没有，则为0.0。
当然，问题能否实际上被神经网络建模是另一个问题。
输入
选择尽可能少的功能来准确描述情况，然后将每个功能分解为一组实值数字。
- 天气：[今天的温度，今天的湿度，昨天的温度，昨天的湿度...] 内部自动关联今天的温度和今天的湿度。 - 团队统计信息：[平均身高，平均体重，最大身高，最高得分...] - 骰子：不确定是否理解这一点，您是指如何编码离散值吗？ - 复数：[a，ai，b，bi...]
* 离散值特征很棘手，但仍然可以编码为（0.0,1.0）。问题在于它们不提供要学习的阈值的梯度。
输出
您决定输出的含义，然后以该格式对您的训练示例进行编码。输出值越少，训练就越容易。
- 天气：[明天下雨的机会，明天的温度...] ** - 团队统计信息：[获胜的机会，以20分以上的优势获胜的机会...] - 复数：[x，xi...]
** 在这里，您的训练向量将是：如果第二天下雨，则为1.0；如果没有，则为0.0。
当然，问题能否实际上被神经网络建模是另一个问题。
- pufferfish
1
布尔特征没有梯度问题。反向传播从不根据输入计算梯度（因为它不改变输入）。 - Fred Foo
0
您需要为问题添加输入和输出所需的单位数。如果要近似的未知函数取决于n个参数，则将有n个输入单位。输出单位的数量取决于函数的性质。对于具有n个实参数的实函数，您将有一个输出单位。
有些问题（例如时间序列预测）中，您将为函数的m个连续值拥有m个输出单位。编码很重要，这取决于所选择的算法。例如，在前馈网络的反向传播中，最好将尽可能多的特征转换为离散输入，以用于分类任务。
编码的另一个方面是，您必须根据数据量评估输入和隐藏单元的数量。与数据相关的太多单元可能会由于维度问题而导致近似不佳。在某些情况下，您可以以某种方式聚合一些输入数据以避免该问题，或使用一些降维机制，如PCA。
- Francisco Yepes Barrera
0
更复杂的数据通常意味着在输入和输出层中添加更多的神经元。
您可以将寄存器的每个“字段”，正确编码为实际值（经过规范化等处理），馈送到每个输入神经元，或者甚至可以进一步分解为位字段，将饱和的输入分配给神经元为1或0...对于输出，则取决于您如何训练神经网络，它将尝试模拟训练集的输出。
- fortran
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接