我知道使用神经网络进行任何与文本相关的操作都很困难，因为它们存在非数字输入数据的问题。 但我不确定数学集合。和一套套。
像[0,1,2]和[3,4,5]或[[0,1]，[2,3]]和[[4,5]，[6,7]]
应该可以通过计算所有相应元素之间的距离来计算它们之间的距离，对吗？我无法找到任何相关的信息，也不想在不确定的情况下开始使用神经网络。
（使用'set'搜索任何内容都不是很有希望，因为你得到的结果就是“数据集”一词......）
编辑：
首先：该任务特别要求神经网络，所以我不能使用k-means或任何其他聚类方法。
所以最初的问题并没有真正解决实际问题。我不必考虑距离度量，而是考虑将集合添加到激活函数以及如何将它们映射到单个值的方法。但是，关于距离度量，我实际上并不确定我需要神经网络的哪一点。我猜这是一个基本的理解问题。
我现在要写下一些想法。
令我困惑的是类别的标准化。有三个类别'红色'，'绿色'和'蓝色'你可以将它们映射到数字1到3，但这意味着'红色'与'蓝色'的距离比“绿色”更大，这不是案件。因此，类别被编码为（1,0,0）和（0,1,0）和（0,0,1），这使得它们具有相同的距离。
因此必须以某种方式将这些添加到激活功能中。我可以想象它们被解释为二进制数，因此（1,0,0）= 100 = 4，（0,1,0）= 010 = 2和（0,0,1）= 001 = 1。这将是一个独特的映射。但是数字1到3是不同的，因此如上所述，距离度量必须在某一点上是必要的。
所以问题仍然是如何将集合映射到单个值。我可以在将它添加到函数之前做到这一点，所以我不必选择也保持集合之间的逻辑距离的映射，因为当到达应用距离度量的点时，我仍然可以将它应用于原始集并且不必使用映射值。那是对的吗？还是我还缺少什么？
答案 0 :(得分：0)
神经网络一般没有这样的问题。图像识别和语言翻译完全在他们的领域内。你做所需要的是衡量和操纵，以便以有序的方式将你的输入与基本事实联系起来 - 你的距离指标会做得非常好。
继续前进，建立你的神经网络。提供适当的距离功能，让它训练。在完全松开之前，请确保放入一些跟踪工具（例如打印语句）来跟踪操作几次迭代。