Neuralnetz Eingangs- / Ausgangs

Question

Kann jemand mir erklären, wie komplexe Datensätze wie Teamstatistik zu tun, Wetter, Würfel, komplexe Zahlentypen

Ich verstehe die ganze Mathematik und wie alles funktioniert, ich weiß nur nicht, wie die Eingabe komplexer Daten, und dann, wie die Daten zu lesen, es spuckt

Wenn jemand Beispiele in Python zur Verfügung stellen könnte, die eine große Hilfe sein würden

Answer 1

Sie haben Ihre Eingabe und die Ausgabe auf etwas zu kodieren, die durch die Neuralnetzeinheiten dargestellt werden kann. (Zum Beispiel 1 für „x hat eine bestimmte Eigenschaft p“ -1 für „x nicht die Eigenschaft p hat“, wenn Sie Ihre Einheiten Bereich in ist [-1, 1])

Wie Sie Ihre Eingabe kodieren und die Art und Weise Sie Ihre Ausgabe dekodieren hängt davon ab, was Sie für das neuronale Netzwerk trainieren wollen.

Darüber hinaus gibt es viele „neuronale Netze“ Algorithmen, und Lernregeln für verschiedene Aufgaben (Backpropagation, Boltzmann-Maschinen, selbst Karten zu organisieren).

Answer 2

Ihre Merkmale müssen in Teile zerlegt werden, die als reelle Zahlen dargestellt werden können. Die Magie eines Neural Net ist es ist eine Blackbox, die richtigen Verbände (mit internen Gewicht) während der Ausbildung gemacht werden

---

Eingänge

Wählen Sie möglichst wenige Merkmale wie nötig sind genau die Situation zu beschreiben, dann zerfallen jeweils in einen Satz von reellwertigen Zahlen.

• Wetter: [temp heute, Feuchtigkeit heute, Temperatur gestern, Feuchtigkeit gestern ...] die Verbindung zwischen dem heutigen Temperatur und Luftfeuchtigkeit von heute wird intern
• Teamstatistik: [ave Höhe, ave Gewicht, max Höhe, Bestnote, ...]
• Würfel: nicht sicher, ob ich dies verstehe, meinst du, wie diskrete Werte zu codieren *
• Komplexe Zahl: [a, ai , b, bi , ...]

* diskret bewerteten Merkmale sind schwierig, aber nach wie vor noch als (0.0,1.0) codiert werden. Das Problem ist, dass sie nicht einen Gradienten bilden die Schwelle auf.

lernen

---

Ausgänge

Sie entscheiden, was Sie die Ausgabe bedeuten soll, und dann Ihre Trainingsbeispiele in diesem Format kodieren. Je weniger Ausgangswerte, desto leichter zu trainieren.

• Wetter: [morgige Chance, regt, morgen temp, ...] **
• Team Statistiken: [Gewinnchance, Gewinnchance von mehr als 20, ...]
• Komplexe Zahl: [x, xi , ...]

** Hier Ihre Ausbildung Vektoren wären: 1,0, wenn es am nächsten Tag regnet, 0.0, wenn es hat nicht

---

Natürlich, ob das Problem tatsächlich durch ein neuronales Netz ist eine andere Frage modelliert werden.

Answer 3

komplexere Daten bedeuten in der Regel mehr Neuronen in den Eingabe- und Ausgabeschichten hinzugefügt wird.

Sie können füttern jedes „Feld“ des Registers, richtig als einen realen Wert codiert (normiert, etc.) zu jedem Eingang Neuronen, oder vielleicht können Sie sogar noch weiter in Bitfelder zersetzen, die Zuordnung gesättigte Eingänge von 1 oder 0 zu den Neuronen ... für die Ausgabe, es hängt davon ab, wie Sie das neuronale Netz zu trainieren, werden versuchen, den Trainingssatz gibt.

nachahmen

Answer 4

Sie haben die Anzahl der Einheiten für die Eingabe und Ausgabe, die Sie für das Problem hinzufügen müssen. Wenn die unbekannte Funktion annähert, hängt von n Parameter, müssen Sie n Eingabeeinheiten. Die Anzahl der Ausgabeeinheiten hängt von der Art des funcion. Für echte Funktionen mit n reellen Parametern finden Sie eine Ausgabeeinheit haben.

Einige Probleme, zum Beispiel bei der Vorhersage von Zeitreihen, werden Sie m Ausgabeeinheiten für die m aufeinanderfolgenden Werte der Funktion haben. Die Codierung ist wichtig und hängt von dem gewählten Algorithmus. Zum Beispiel in Backpropagation für Vors Netzen, ist besser zu transformieren, wenn möglich, die größere Anzahl von Funktionen in diskreten Eingängen, wie für Klassifizierungsaufgaben.

Anderer Aspekt der Codierung ist, dass Sie die Anzahl der Ein- und verborgenen Einheiten in Abhängigkeit von der Menge der Daten zu bewerten haben. Zu viele Einheiten auf Daten im Zusammenhang schlechte Annäherung aufgrund Verlauf ff Dimensionalität Problem geben kann. In einigen Fällen können Sie einige der Eingabedaten in irgendeiner Weise aggregieren, dieses Problem zu vermeiden oder einen Reduktionsmechanismus als PCA verwendet werden.