我用神经网络（反向传播）创建了一个模型，然后我想对一个实例进行分类。
我做了什么：
问题是如何使用我之前制作的现有模型对特征（或某些特征）中具有新值（或某些新值）的新实例进行分类？
任何人都有这种情况的解决方案吗？或者我可以用来解决这个问题的一些参考文献？
感谢
实际上，我和我在校园里的随机讲师进行了讨论，他有一个想法，就是在构建模型时分配我从过程中得到的错误来解决这个问题。然后，新实例可以匹配或查看分布中实例的可能性（如高斯，混合高斯或经验分布）。但是这个想法出现的问题是，我们仍然必须得到该实例的错误，以便我们可以看到分布中的可能性（或者它意味着我们仍然必须将实例分类到现有的模型/函数中，与错误分配中使用的函数。）
我和我的朋友也有讨论，他有一个想法，用FFT代替真正的normlization函数，所以结果不在一定的范围内。但效果是误差可能会因FFT函数的结果而增加。
答案 0 :(得分：0)
作为短期解决方案，您可以做的是将属性的值设置为0或1（在原始数据集的范围内），具体取决于属性的值。
长期解决方案是将此类案例纳入神经网络的未来培训中。这些值可能导致其他实例的值向左或向右倾斜，因此可能需要注意预处理训练数据。
希望这有帮助！