Neural de entrada / saída líquida

Question

Alguém pode me explicar como fazer conjuntos de dados mais complexos como estatísticas da equipe, tempo, dados, tipos de números complexos

i compreender toda a matemática e como tudo funciona Eu sei exatamente não faça como entrada de dados mais complexos, e, em seguida, como ler os dados que ele cospe

se alguém poderia fornecer exemplos em python que seria uma grande ajuda

Answer 1

Você tem que codificar a sua entrada e sua saída para algo que pode ser representado pelas unidades de redes neurais. (Por exemplo, 1 para "x tem uma certa propriedade p" -1 para "x não tem a propriedade p" se alcance das suas unidades está em [-1, 1])

A maneira como você codificar a sua entrada e da maneira que você decodificar sua saída depende do que você quer treinar a rede neural para.

Além disso, há muitos "redes neurais" algoritmos e regras de aprendizagem para diferentes tarefas (propagação Voltar, máquinas de Boltzman, mapas auto-organização).

Answer 2

As suas características devem ser decompostos em partes que podem ser representados como números reais. A magia de uma rede neural é que é uma caixa preta, as associações corretas serão feitas (com pesos internos) durante o treinamento

---

Entradas

Escolha como algumas características que são necessários para descrever com precisão a situação, então decompor cada um em um conjunto de números reais valorizados.

• Tempo: [Temp hoje, umidade hoje, a temperatura ontem, umidade ontem ...] a associação entre a temperatura de hoje e umidade de hoje é feita internamente
• Estatísticas de time: [altura ave, peso ave, altura max, pontuação máxima, ...]
• Dice:? não tenho certeza eu entendo este, você quer dizer como codificar valores discretos *
• número Complex: [a, ai , b, bi , ...]

* Discrete valorizado características são complicados, mas ainda pode ainda ser codificado como (0.0,1.0). O problema é que eles não fornecem um gradiente de aprender o limite por diante.

---

Saídas

Você decide o que você quer a saída para dizer, e depois codificar os seus exemplos de treinamento nesse formato. Os valores de saída menos, mais fácil de treinar.

• Tempo: [oportunidade de amanhã de chuva, temperatura de amanhã, ...] **
• Estatísticas de time: [chance de ganhar, chance de ganhar por mais de 20, ...]
• número Complex: [x, xi , ...]

** Aqui sua formação vetores seria: 1.0 se chovesse no dia seguinte, 0.0, se não fez

---

É claro que, se o problema pode realmente ser modelada por uma rede neural é uma questão diferente.

Answer 3

dados mais complexas geralmente significa a adição de mais neurónios nas camadas de entrada e de saída.

Você pode alimentar cada "campo" do seu registo, devidamente codificado como um valor real (normalizada, etc.) para cada neurônio de entrada ou entradas talvez você ainda pode decompor ainda mais em campos de bits, atribuindo saturadas de 1 ou 0 aos neurônios ... para a saída, isso depende de como você treinar a rede neural, ele vai tentar imitar as saídas do conjunto de treinamento.

Answer 4

Você tem que adicionar o número de unidades para entrada e saída que você precisa para o problema. Se a função desconhecida para aproximado depende n parâmetro, você terá n unidades de entrada. O número de unidades de saída depende da natureza do funcion. Para as funções reais com n parâmetros reais você terá uma unidade de saída.

Alguns problemas, por exemplo, na previsão de séries temporais, você terá unidades de saída M para o M valores sucessivos da função. A codificação é importante e depende do algoritmo escolhido. Por exemplo, em backpropagation para redes feedforward, é melhor para transformar, se possível, o número maior de recursos em entradas discretas, como para tarefas de classificação.

Outro aspecto da codificação é que você tem que avaliar o número de entrada e unidades ocultas em função da quantidade de dados. Muitas unidades relacionadas com os dados pode dar má aproximação devido o problema curso ff dimensionalidade. Em alguns casos, você pode agregar alguns dos dados de entrada, de alguma maneira de evitar esse problema ou usar algum mecanismo de redução de PCA.