我正在尝试为可被视为宏观级邮政网络的系统训练神经网络。我的输入是两个位置（美国50个州中的一个）以及1到3个其他变量，我想要一个数字结果。
我的第一个倾向是将状态表示为0-49之间的数值，然后是一个只有3个左右输入的网络。然而，我发现，我的训练从未收敛于有用的价值。我假设这是因为状态的值完全是任意的 - MA的值为39与CA的值无关，特别是当37表示跳回CT时。
我有更好的方法吗？我应该创建一个包含100多个输入的网络，表示原始状态和目标状态的布尔值吗？
答案 0 :(得分：1)
我认为你对将不同状态表示为连续整数的难度的直觉是正确的 - 该表示将大量信息压缩到每个输入中。这意味着您的网络可能需要学习很多关于如何将该信息解码为实际上有助于解决问题的事实。
每个输入的一个状态，带有布尔输入，可能会有所帮助。这将使网络更容易找出您正在谈论的两个状态。当然，这种方法并不一定能让网络更容易学习有用的事实，比如哪些状态与彼此相邻。
尝试确定是否有任何类型的信息可能是有用的，这些信息既易于提供，也可能使学习更容易。例如，如果状态的物理布局对于解决您的问题非常重要（即CT与邻近PA的NY相邻）那么也许您可以将国家分成区域（例如西北，东南，中西部）并提供布尔值每个地区的投入。
将一些输入方案提供到单个网络中可以允许您使用（可能）更有用的表示来指定单个状态：而不是说“它的状态＃39”，您可以说（例如）“它是” 最北部的州触及东部地区的超过五个邻国 “。
如果网络发现确定两个状态是否彼此接近是有用的，这种表示可能会使学习变得更快 - 如果两个状态接近，只需比较两个“区域”，网络就可以大致了解“各州的投入。检查两个区域输入是否相等比记忆状态＃39接近＃38，＃21，＃7和＃42状态要容易得多。