Question

我是机器学习的新手，我正在尝试建立一个不会预测给定输入标签的网络。相反，它应该在一系列值中猜测结果，例如：

a_old = [5.5, 3.4 , 1.1] , x = 1.732 , y = 2.223 , z = -1.444 
=======> a_new = [6.6 , 5.1, 0.9]

网络应该预测a_new，但是a_new是三个暗矢量，并且它的值范围很大，因此我不能仅仅创建10 ^ 15个不同的标签来对其进行分类。

我需要哪种类型的神经网络来解决这类问题。甚至有可能吗？

Answer 1

虽然@josef morgen的评论更有意义，但是如果您想通过神经网络来执行此操作，则没有理由为什么不应该这样做，神经实际上并没有打印标签，而是打印了每个类，我们将它们最大化以得到预测的标签（我在谈论简单分类任务的情况）

神经网络的节点实际上很像回归分类器，因此，与回归不同，密集网络可以学习更复杂的函数

对于您的特殊情况，我建议您采用相同格式的数据，并使用均方误差作为损失。应该可以

Answer 2

您可以为网络选择任何体系结构，然后将线性激活函数用作输出+均方误差损失。例如：

model = Sequential()
model.add(Dense(150, input_dim=n, kernel_initializer='glorot_uniform', activation='relu'))
model.add(Dense(30, kernel_initializer='glorot_uniform', activation='relu'))
model.add(Dense(1, kernel_initializer='glorot_uniform', activation='linear'))
model.compile(loss='mse', optimizer=optimizers.adam(lr=0.01))

什么样的神经网络用于非分类问题

2 个答案: