Voici peu de ressources, où vous pouvez obtenir des informations plus détaillées sur la normalisation et la dénormalisation à l'aide d'Encog Framework.
Ces grands livres électroniques écrits par Jeff Heaton lui-même, 1. Programmation des réseaux de neurones avec Encog3 dans C #, 2e édition par Heaton, Jeff (2 octobre 2011)2.Introduction aux réseaux de neurones pour C #, 2e édition par Jeff Heaton (2 octobre 2008) Ce sont des livres électroniques pour les utilisateurs d'Encog.
Vous pouvez également jeter un œil à Pluralsight Course sur "Introduction à l'apprentissage automatique avec Encog", cela comprend également peu d'exemples de normalisation et de dénormalisation.
Maintenant en ce qui concerne vos requêtes: "Il n'est pas clair ici, mais comment prendre l'analystnormalizecsv et le convertir en mldataset pour l'utiliser."
Eh bien, vous pouvez utiliser AnalystNormalizECSV pour normaliser votre fichier de formation. Et puis vous pouvez utiliser Loadcsv2Memory of Encogutility Class pour charger le fichier d'entraînement normalisé pour obtenir l'ensemble de données ML. Voici un exemple de code en C #,
var trainingSet = EncogUtility.LoadCSV2Memory(Config.NormalizedTrainingFile.ToString(),
network.InputCount, network.OutputCount,true, CSVFormat.English,false);
Il prend le fichier d'entraînement normalisé en tant que premier paramètre, le nombre de neurones d'entrée de réseau compte comme deuxième, le nombre de neurones de sortie du réseau est le troisième, le quatrième paramètre est booléen si vous avez de l'en-tête dans votre fichier CSV, alors vous pouvez mentionner le format comme le cinquième paramètre et le sixième Le paramètre est pour une signification.
Donc, une fois que vous avez cet ensemble de données en mémoire, vous pouvez l'utiliser pour la formation. Une approche similaire peut également être adoptée à l'étape croisée de validation et d'évaluation.
En ce qui concerne la dénormalisation, vous pouvez d'abord persister le fichier d'analyste, et plus tard, vous pouvez également utiliser un fichier d'analyste pour dénormaliser les colonnes individuelles. Par exemple :
var denormlizedOutput = analyst.Script.Normalize.NormalizedFields[index].DeNormalize(item.Input[index]);
Une approche similaire peut être utilisée dans les champs de dénormalisation pour obtenir également des étiquettes de classe. Par exemple
var predictedClass = analyst.Script.Normalize.NormalizedFields[index].Classes[predictedClassInt].Name;