Ingresso / uscita netti neurali

Question

Qualcuno può spiegarmi come eseguire insiemi di dati più complessi come statistiche di squadra, meteo, dadi, tipi di numeri complessi

Capisco tutta la matematica e come funziona tutto, non so come inserire dati più complessi e quindi come leggere i dati che sputa

se qualcuno potesse fornire esempi in Python sarebbe di grande aiuto

Answer 1

Devi codificare il tuo input e il tuo output in qualcosa che può essere rappresentato dalle unità di rete neurale. (ad esempio 1 per " x ha una certa proprietà p " -1 per " x non ha la proprietà p " se l'intervallo delle tue unità è compreso tra [-1, 1])

Il modo in cui codifichi il tuo input e il modo in cui decodifichi il tuo output dipende da cosa vuoi addestrare per la rete neurale.

Inoltre, ci sono molte "reti neurali" algoritmi e regole di apprendimento per diversi compiti (propagazione della schiena, macchine boltzman, mappe auto-organizzate).

Answer 2

Le tue funzioni devono essere scomposte in parti che possono essere rappresentate come numeri reali. La magia di una rete neurale è che è una scatola nera, le associazioni corrette saranno fatte (con pesi interni) durante l'allenamento

---

Ingressi

Scegli quante funzionalità sono necessarie per descrivere accuratamente la situazione, quindi decompone ciascuna in un insieme di numeri reali valutati.

• Meteo: [temperatura oggi, umidità oggi, temperatura ieri, umidità ieri ...] l'associazione tra la temperatura di oggi e l'umidità di oggi è fatta internamente
• Statistiche squadra: [altezza ave, peso ave, altezza massima, punteggio più alto, ...]
• Dadi: non sono sicuro di aver capito questo, vuoi dire come codificare i valori discreti? *
• Numero complesso: [a, ai , b, bi , ...]

* Le funzioni con valori discreti sono complicate, ma possono comunque essere codificate come (0.0,1.0). Il problema è che non forniscono un gradiente per apprendere la soglia.

---

Uscite

Decidi tu cosa vuoi che significhi l'output, quindi codifica i tuoi esempi di allenamento in quel formato. Meno valori di output, più facile da addestrare.

• Meteo: [possibilità di domani di pioggia, temperatura di domani, ...] **
• Statistiche squadra: [possibilità di vincere, possibilità di vincere di oltre 20, ...]
• Numero complesso: [x, xi , ...]

** Qui i tuoi vettori di allenamento sarebbero: 1.0 se piovesse il giorno successivo, 0.0 se non lo facesse

---

Ovviamente, se il problema può effettivamente essere modellato o meno da una rete neurale è una domanda diversa.

Answer 3

Dati più complessi di solito significa aggiungere più neuroni nei livelli di input e output.

Puoi alimentare ogni campo " " del tuo registro, correttamente codificato come valore reale (normalizzato, ecc.) per ciascun neurone di input, o forse puoi persino decomporre ulteriormente in campi di bit, assegnando input saturi di 1 o 0 ai neuroni ... per l'output, dipende da come si allena la rete neurale, proverà a imitare i risultati del set di addestramento.

Answer 4

Devi aggiungere il numero di unità per input e output necessarie per il problema. Se la funzione sconosciuta da approssimare dipende dal parametro n , avrai n unità di input. Il numero di unità di output dipende dalla natura della funzione. Per funzioni reali con n parametri reali avrai un'unità di output.

Alcuni problemi, ad esempio nella previsione di serie temporali, si avranno m unità di output per i m valori successivi della funzione. La codifica è importante e dipende dall'algoritmo scelto. Ad esempio, nella backpropagation per le reti feedforward, è meglio trasformare, se possibile, il maggior numero di funzionalità in input discreti, come per le attività di classificazione.

Un altro aspetto della codifica è che devi valutare il numero di input e unità nascoste in funzione della quantità di dati. Troppe unità correlate ai dati possono dare una scarsa approssimazione a causa del problema di dimensionalità del corso. In alcuni casi, è possibile aggregare alcuni dei dati di input in qualche modo per evitare tale problema o utilizzare un meccanismo di riduzione come PCA.