Entrada / salida de red neuronal

Question

¿Puede alguien explicarme cómo hacer conjuntos de datos más complejos como estadísticas de equipo, clima, dados, tipos de números complejos?

Entiendo todas las matemáticas y cómo funciona todo, simplemente no sé cómo ingresar datos más complejos, y luego cómo leer los datos que escupe

si alguien pudiera proporcionar ejemplos en python sería una gran ayuda

Answer 1

Tienes que codificar tu entrada y tu salida a algo que pueda ser representado por las unidades de red neuronal. (por ejemplo, 1 para " x tiene una cierta propiedad p " -1 para " x no tiene la propiedad p " si el rango de sus unidades está en [-1, 1])

La forma en que codifica su entrada y la forma en que decodifica su salida depende de para qué quiere entrenar la red neuronal.

Además, hay muchas " redes neuronales " algoritmos y reglas de aprendizaje para diferentes tareas (propagación hacia atrás, máquinas boltzman, mapas autoorganizados).

Answer 2

Sus funciones deben descomponerse en partes que puedan representarse como números reales. La magia de una red neuronal es que es una caja negra, se realizarán las asociaciones correctas (con pesos internos) durante el entrenamiento

---

Inputs

Elija las pocas funciones que sean necesarias para describir con precisión la situación, luego descomponga cada una en un conjunto de números con valores reales.

• Tiempo: [temperatura de hoy, humedad de hoy, temperatura de ayer, humedad de ayer ...] la asociación entre la temperatura de hoy y la humedad de hoy se realiza internamente
• Estadísticas del equipo: [ave height, ave weight, max height, puntaje máximo, ...]
• Dados: no estoy seguro de entender esto. ¿Quieres decir cómo codificar valores discretos? *
• Número complejo: [a, ai , b, bi , ...]

* Las características de valor discreto son complicadas, pero aún pueden codificarse como (0.0,1.0). El problema es que no proporcionan un gradiente para conocer el umbral.

---

Salidas

Usted decide lo que quiere que signifique el resultado y luego codifica sus ejemplos de entrenamiento en ese formato. Cuantos menos valores de salida, más fácil de entrenar.

• Tiempo: [la probabilidad de lluvia de mañana, la temperatura de mañana, ...] **
• Estadísticas del equipo: [posibilidad de ganar, posibilidad de ganar por más de 20, ...]
• Número complejo: [x, xi , ...]

** Aquí sus vectores de entrenamiento serían: 1.0 si lloviera al día siguiente, 0.0 si no lo hiciera

---

Por supuesto, si el problema puede o no ser modelado por una red neuronal es una pregunta diferente.

Answer 3

Los datos más complejos generalmente significan agregar más neuronas en las capas de entrada y salida.

Puedes alimentar cada campo " " de su registro, codificado correctamente como un valor real (normalizado, etc.) para cada neurona de entrada, o tal vez incluso puede descomponerse en campos de bits, asignando entradas saturadas de 1 o 0 a las neuronas ... para la salida, Depende de cómo entrene la red neuronal, intentará imitar los resultados del conjunto de entrenamiento.

Answer 4

Debe agregar el número de unidades para la entrada y la salida que necesita para el problema. Si la función desconocida para aproximar depende del parámetro n , tendrá n unidades de entrada. El número de unidades de salida depende de la naturaleza de la función. Para funciones reales con n parámetros reales, tendrá una unidad de salida.

Algunos problemas, por ejemplo en el pronóstico de series de tiempo, tendrá m unidades de salida para los m valores sucesivos de la función. La codificación es importante y depende del algoritmo elegido. Por ejemplo, en la propagación hacia atrás para redes de avance, es mejor transformar, si es posible, el mayor número de funciones en entradas discretas, como para las tareas de clasificación.

Otro aspecto de la codificación es que tienes que evaluar el número de unidades de entrada y ocultas en función de la cantidad de datos. Demasiadas unidades relacionadas con los datos pueden dar una mala aproximación debido al problema del curso de dimensionalidad. En algunos casos, puede agregar algunos de los datos de entrada de alguna manera para evitar ese problema o usar algún mecanismo de reducción como PCA.