Hier sind nur wenige Ressourcen, in denen Sie detailliertere Informationen über Normalisierung und Denormalisierung mithilfe des Encog -Frameworks erhalten können.
Diese großartigen E-Books von Jeff Heaton selbst, 1. Programmieren neuronaler Netzwerke mit CNOG3 in C#, 2. Ausgabe von Heaton, Jeff (2. Oktober 2011)2. Einführung in neuronale Netze für C#, 2. Ausgabe von Jeff Heaton (2. Oktober 2008) Dies sind E -Books für Encog -Benutzer.
Sie können sich auch den Pluralsight -Kurs ansehen "Einführung in maschinelles Lernen mit Encog"Dies umfasst auch einige Beispiele für Normalisierung und Denormalisierung.
Jetzt in Bezug auf Ihre Fragen: "Es ist hier nicht klar, wie Sie den AnalyseMalizizecsv übernehmen und sie in einen mldataset umwandeln können, um sie tatsächlich zu verwenden."
Nun, Sie können AnalyseNormalizecsv verwenden, um Ihre Trainingsdatei zu normalisieren. Und dann können Sie LoadCSV2Memory der Himmelsklasse verwenden, um die normalisierte Trainingsdatei zu laden, um den ML -Datensatz zu erhalten. Hier ist ein Beispielcode in C#.
var trainingSet = EncogUtility.LoadCSV2Memory(Config.NormalizedTrainingFile.ToString(),
network.InputCount, network.OutputCount,true, CSVFormat.English,false);
Sie nimmt die normalisierte Trainingsdatei als erster Parameter, Netzwerkeingabe -Neuronenzahl als zweite, Netzwerkausgabe -Neuronenzahl als dritter. Der vierte Parameter ist booleschen, wenn Sie Header in Ihrer CSV -Datei haben Parameter ist für Bedeutung.
Sobald Sie diesen Datensatz im Speicher haben, können Sie ihn zum Training verwenden. Ein ähnlicher Ansatz kann auch im Quervalidierungs- und Bewertungsschritt verfolgt werden.
In Bezug auf die Denormalisierung können Sie zunächst die Analystendatei bestehen und später auch die Analystendatei verwenden, um einzelne Spalten zu denormalisieren. Zum Beispiel :
var denormlizedOutput = analyst.Script.Normalize.NormalizedFields[index].DeNormalize(item.Input[index]);
Ein ähnlicher Ansatz kann bei der Denormalisierung von Feldern verwendet werden, um auch Klassenetiketten zu erhalten. Zum Beispiel
var predictedClass = analyst.Script.Normalize.NormalizedFields[index].Classes[predictedClassInt].Name;