我正在构建一个具有相当长的特征向量（30-200k）的单层感知器，所有这些都被归一化。
假设我有30k的功能，这些功能在预测课程时有些用处，但随后又增加了100个功能，这些功能都是很好的预测器。预测的准确性只会微不足道。但是，如果我手动增加100个优秀功能（例如5倍）的权重，则精度会上升几个百分点。
我的印象是，训练过程的性质应该能够提供更好的特征，自然更重。然而，看起来最好的功能是被更糟糕的人“淹没”。
我尝试使用大量迭代运行它，但这没有帮助。
如何以合理简单的方式使算法适应更好的权重？而且，一个相当快的方式;如果我的功能较少，那么运行算法很容易，一次只能输出一个，但是30k并不是真的可行。
答案 0 :(得分：0)
我实施基于感知器的网络的经验是，需要大量的迭代才能学到一些东西。我相信我使用每个样本大约1k次来学习xor函数（当只有4个输入时）。因此，如果您有200k输入，则需要大量样本和大量时间来训练您的网络。
我有几点建议：
尝试减小输入的大小（尝试将多个输入聚合成一个输入或尝试删除冗余一次）。
尝试多次使用每个样本。正如我所说，即使是一个简单的函数也可能需要花费很多次迭代才能学习
希望这有帮助。