Может ли кто-нибудь объяснить мне, как делать более сложные наборы данных, такие как статистика команды, погода, кости, сложные типы чисел?
я понимаю всю математику и то, как все работает, я просто не знаю, как вводить более сложные данные, а затем как читать данные, которые он выдает
если бы кто-то мог привести примеры на питоне, это было бы большой помощью
Вы должны кодировать свой ввод и вывод во что-то, что может быть представлено единицами нейронной сети. (например, 1 для «x имеет определенное свойство p» -1 для «x не имеет свойства p», если диапазон ваших единиц находится в [-1, 1])
Способ кодирования ввода и способ декодирования вывода зависит от того, для чего вы хотите обучить нейронную сеть.
Кроме того, существует множество алгоритмов «нейронных сетей» и правил обучения для различных задач (обратное распространение, машины Больцмана, самоорганизующиеся карты).
Ваши функции должны быть разложены на части, которые можно представить в виде действительных чисел. Магия нейронной сети заключается в том, что это черный ящик, правильные ассоциации (с внутренними весами) будут сделаны во время обучения.
Входные данные
Выберите столько признаков, сколько необходимо для точного описания ситуации, а затем разложите каждый из них на набор действительных чисел.
* Дискретные функции сложны, но все же могут быть закодированы как (0.0,1.0). Проблема в том, что они не обеспечивают градиент для изучения порога.
Результаты
Вы решаете, что вы хотите, чтобы вывод означал, а затем кодируете свои обучающие примеры в этом формате. Чем меньше выходных значений, тем легче обучаться.
** Здесь ваши векторы обучения будут такими: 1,0, если на следующий день шел дождь, 0,0, если дождя не было.
Конечно, можно ли на самом деле смоделировать проблему с помощью нейронной сети — это другой вопрос.
Более сложные данные обычно означают добавление большего количества нейронов во входной и выходной слои.
Вы можете подавать каждое «поле» вашего регистра, должным образом закодированное как реальное значение (нормализованное и т. д.) на каждый входной нейрон, или, может быть, вы даже можете еще больше разложить его на битовые поля, назначая насыщенные входы 1 или 0 нейронам. ... для вывода это зависит от того, как вы обучаете нейронную сеть, она попытается имитировать выходные данные обучающего набора.
Вы должны добавить количество единиц для ввода и вывода, необходимых для решения задачи. Если неизвестная функция для аппроксимации зависит от параметра n, у вас будет n входных единиц. Количество выходных блоков зависит от характера функции. Для реальных функций с n реальными параметрами у вас будет одна единица вывода.
В некоторых задачах, например при прогнозировании временных рядов, у вас будет m выходных единиц для m последовательных значений функции. Кодировка важна и зависит от выбранного алгоритма. Например, при обратном распространении для сетей с прямой связью лучше преобразовать, если возможно, большее количество признаков в дискретных входных данных, как в задачах классификации.
Другой аспект кодирования заключается в том, что вы должны оценить количество входных и скрытых единиц в зависимости от количества данных. Слишком большое количество единиц, связанных с данными, может дать плохую аппроксимацию из-за проблемы размерности курса. В некоторых случаях вы можете каким-то образом агрегировать некоторые входные данные, чтобы избежать этой проблемы, или использовать какой-либо механизм сокращения в качестве PCA.
