使用Python的多目标（大型）神经网络回归

Question

我的情况是我有一个excel文件，其中有747个节点（作为输入），每个节点都有一个值（想象中的747列带有浮点数），并且我的输出为741个值/列，又有一个浮点数。这些基本上是地质模拟的输入和输出。因此，一行具有747（input）+741（output）= 1488 floats，这是一个数据集（来自一次仿真）。我有4个这样的数据集（行）来训练神经网络，以便在3个测试数据集（747列）上对其进行测试时，我得到741列的输出。这只是一个简单的过程，可以在进一步修改之前让神经网络的骨架运转。

我遇到了NYCTaxi（https://github.com/zeahmed/DeepLearningWithMLdotNet/tree/master/NYCTaxiMultiOutputRegression）的多目标回归示例，但似乎可以绕开它。

这是训练集（输入直到并包括列“ ABS”，其余输出）： https://docs.google.com/spreadsheets/d/12TKVbGExt9KcK5RQKTexrToVo8qA5YfeItSaa7E2QdU/edit?usp=sharing

这是测试集： https://docs.google.com/spreadsheets/d/1-RjyZsdguucCSOr9QTdTp2ehJBqWCr5yz1-aRjQ_4zo/edit?usp=sharing

这是测试输出（用于验证）：https://docs.google.com/spreadsheets/d/10O_6711CEpJ4DN1w-kCmW01NikjFVZTDmNRuqO3U_6A/edit?usp=sharing

任何指导/提示将不胜感激。 TIA！

Answer 1

我们可以使用AutoEncoder来完成此任务。 AutoEncoder接收数据，将其压缩为潜在表示。现在，此表示向量用于构造输出变量。

因此，您可以将747维向量输入模型，并生成另一个747维向量作为输出。经过适当的训练，该模型将能够为给定的一组输入生成目标变量。