我创建了两个不同的神经网络，它们都可以预测一个团队是否要赢/输一场曲棍球比赛。第一个NN已针对已玩游戏中的82个功能进行了培训。另一个已经通过所有已玩游戏的玩家统计信息接受了115项功能的培训。
两组中的某些功能相同，但重要指标不同或表示方式不同（汇总/单独）
总有一些方法可以使这些NN集成在一起，这样就可以只给它提供一个仅包含两个特征的集合。
h_team1 h_team_2 h_team3 a_team1 a_team2 a_team3 WIN/LOSE
1 0 0 1 0 0
1 0 0 0 1 0
0 1 0 0 0 1
新的NN的任务是对主队获胜的可能性进行分类。
如果我真的对自己想做的事情不满意，请纠正我。
我添加了一张图片，以帮助形象化我正在描述的问题。
https://imgur.com/a/ZKnGT8N（箭头指向我要构建的模型，尚未构建，因为我不知道如何）
编辑：
来自game_DATA-set h = home a = away的示例数据
h_Won/Lost h_powerPlayGoals h_powerPlayPercentage a_powerPlayGoals a_powerPlayPercentage h_team1 h_team 2 a_team1 a_team2 gameID
1 2 0.4 1 0.5 1 0 1 0 1
player_DATA集中的示例数据
Won/Lost playerID team1 team2 metric1 opponent1 opponent2 gameID
1 5678 1 0 10 1 0 1
答案 0 :(得分：0)
原则上，可以将其馈送到另一个NN以获取新的输出，但是从统计角度来看，这绝对没有意义。您预测您的团队将以x概率获胜，因此另一支团队以1-x概率获胜。因此，为什么要为此使用另一个网络。
通过在最后一层使用softmax，您的输出对于第一个网络基本上是x和1-x，而在第二个网络中则是y和1-y。因此，对于第三个网络，唯一合理的事情是检查x> y并根据这两个之间的余量输出概率，但是您也可以仅使用差值而不是NN来执行此操作，然后您就不必必须学习任何东西。