如何在具有多个输入的极限学习机中计算隐藏层矩阵

Question

我想建立一个极限学习机网络来预测下个月的DHF患者人数。我要做的第一件事是随机化输入权重和偏置权重，然后我必须计算H，这是隐藏层矩阵。我有4个输入，分别是温度，湿度，降水和DHF患者的数量。对于培训和测试，我每个输入都有132个数据。在我的程序中，我写了这个算法

`def Hmatriks(data,weights, hidden_neuron, dataset):
    b = np.zeros(shape=hidden_neuron, dtype=np.float64)
    H = np.zeros((len(dataset[0]), hidden_neuron))
    for k in range(len(dataset[0])):
        for l in range(hidden_neuron):
            b = weights[l][-1] + weights[l][k] * dataset[data][k]
            H[k][l] = np.sqrt(1.0 + pow(b, 2.0)) #multiquadratic
    return H`

在培训中，我有此代码

`for data in range(len(input_train)):
      sum_error = 0
      matriksH = Hmatriks(data, weight, hidden_neuron, input_train)`

对吗？但是经过所有的训练过程，MSE值很低，而当我用它来预测它不准确时，预测值与实际值相差甚远。

我的问题是，当您计算隐藏层矩阵时，您是否抛出了所有数据以获得隐藏层矩阵，或者1个数据仅具有1个隐藏层矩阵？可以用多个输入写隐藏层矩阵的结构吗？

谢谢〜