因此，我的最终目标是使用Keras建立一个模型，该模型可以根据输入的雷达数据预测汽油或刹车的百分比。但是，我的雷达数据可以在任何地方变化，从1点到16点（对象）不等。他们自己的元数据（速度，横向位置等）。我输入形状的一个例子是FSMIntegerField，它是雷达轨迹的列表，该对象在每个列表中的速度和横向位置的列表。
我知道，由于分类问题，我们应该将此丢失的数据设置为除丢失数据外从未使用过的类，尽管对于回归，我有些困惑。如果我将缺失的数据设置为全零，那么该模型应该如何区分零（即点的速度）还是该点缺失？
我的第一个想法是在所有点中引入一个新的数据点，并将其设置为0到1，这与该点是否为“真实” /是否要考虑相对应。我只是不确定这是否是最好的方法。
答案 0 :(得分：1)
我认为不需要多余的布尔值，因为在极少数情况下位置数据与速度一起为零。
但是，如果您不想使用零填充，也可以利用 递归神经网络（RNN），它接受可变的输入长度。
最后，您还可以查看与已回答here相似的问题