我想知道人工神经网络是否可以应用于离散值输入?我知道它们可以应用于连续值输入,但它们是否可以应用于离散值的输入?此外,对离散值输入表现良好吗?
答案 0 :(得分:2)
是的,人工神经网络可以应用于具有离散值输入变量的数据。在最常用的神经网络架构(数字)中,离散输入通常由一系列虚拟变量表示,就像在统计回归中一样。此外,与回归一样,需要比不同值虚拟变量的数量少一个。还有其他方法,但这是最直接的。
答案 1 :(得分:1)
首先让我直接回答你的问题!
答案意味着要考虑关于网络本身的使用和实施的几个方面。
让我解释原因:
作为一个加分你可以考虑在层之间使用“步”传递函数,而不是“tan-sigmoid”,只是为了强化和模仿一种数字化,迫使输出只有0或1.但是你应该重新考虑起始标准化以及使用调整好的阈值。
注意:后一种技巧并不是必需的,但可以带来一些次要的好处;也许在开发的第二阶段测试它并查看差异。
PS:请允许我建议一些适用于您的问题的内容;如果你聪明,请考虑在你的学习算法中使用一些模糊逻辑; - )
干杯!
答案 2 :(得分:0)
我在这个问题上迟到了,但这可能对某人有所帮助。
假设您有一个分类输出变量,例如3个不同的类别(0,1和2),
0
2
1
2
1
0
然后变成
1, 0, 0
0, 0, 1
0, 1, 0
0, 0, 1
0, 1, 0
1, 0, 0
可能的NN输出结果是
0.2, 0.3, 0.5 (winner is categ 2)
0.05, 0.9, 0.05 (winner is categ 1)
...
然后你的NN山在这种情况下有3个输出节点,所以取最大值。 为了改善这一点,在输出层上使用熵作为误差测量和softmax激活,使输出总和为1。
答案 3 :(得分:-1)
神经网络的目的是通过内插样本来逼近复杂的函数。因此,它们往往不适合离散数据,除非可以通过对连续函数进行阈值处理来表示数据。根据您的问题,可能会有更有效的学习方法。