فيما يلي موارد قليلة ، حيث يمكنك الحصول على معلومات أكثر تفصيلاً حول التطبيع وإعادة التمييز باستخدام إطار ENCOG.
هذه الكتب الإلكترونية العظيمة التي كتبها جيف هيتون نفسه ، 1. برمجة الشبكات العصبية مع ENCOG3 في C#، الطبعة الثانية من قبل هيتون ، جيف (2 أكتوبر 2011)2. مقدمة إلى الشبكات العصبية للنسخة الثانية ، الطبعة الثانية بقلم جيف هيتون (2 أكتوبر 2008) يجب أن تحتوي هذه الكتب الإلكترونية لمستخدمي ENCOG.
يمكنك أيضًا إلقاء نظرة على دورة Pluralsight على "مقدمة للتعلم الآلي مع Encog"، وهذا يشمل أيضًا أمثلة قليلة على التطبيع وتوضيحها.
الآن فيما يتعلق باستفساراتك: "ليس من الواضح هنا على الرغم من كيفية أخذ المحلل NormalizeCSV وتحويله إلى mldataset لاستخدامه فعليًا."
حسنًا ، يمكنك استخدام AnalystNormalizeCSV لتطبيع ملف التدريب الخاص بك. وبعد ذلك ، يمكنك استخدام LOADCSV2Memory من فئة Encogutility لتحميل ملف التدريب الطبيعي للحصول على مجموعة بيانات ML. فيما يلي نموذج رمز في C#،
var trainingSet = EncogUtility.LoadCSV2Memory(Config.NormalizedTrainingFile.ToString(),
network.InputCount, network.OutputCount,true, CSVFormat.English,false);
يتطلب الأمر ملف التدريب الطبيعي كمعلمة أولى ، وعدد الخلايا العصبية لإدخال الشبكة كثاني ، وعدد الخلايا العصبية في إخراج الشبكة على أنه ثالث ، والمعلمة الرابعة هي منطقية إذا كان لديك رأس في ملف CSV الخاص بك ، ثم يمكنك ذكر التنسيق باعتباره المعلمة الخامسة ، والسادس المعلمة هي للأهمية.
لذلك بمجرد الحصول على مجموعة البيانات هذه في الذاكرة ، يمكنك استخدامها للتدريب. يمكن اتباع نهج مماثل في خطوة التحقق من الصحة والتقييم أيضًا.
فيما يتعلق بإزالة الطور ، يمكنك أولاً الاستمرار في ملف المحلل ، وبعد ذلك يمكنك استخدام ملف المحلل لإلغاء تحديد الأعمدة الفردية أيضًا. فمثلا :
var denormlizedOutput = analyst.Script.Normalize.NormalizedFields[index].DeNormalize(item.Input[index]);
يمكن استخدام نهج مماثل في إزالة الحقول العادية للحصول على ملصقات الفصل أيضًا. فمثلا
var predictedClass = analyst.Script.Normalize.NormalizedFields[index].Classes[predictedClassInt].Name;