我是Machine Learning 的初学者，正在做基于 11 个输入变量的预测葡萄酒质量（0 到 10）的多类 multiclass classsification task
如何确定前馈neural network 的输入层中的神经元数量？
例如，我的数据集中有 11 个变量。
在输入层我应该保留 11 个神经元吗？
多于/少于 11 个神经元怎么样？
提前致谢！
【问题讨论】：
标签： python machine-learning neural-network deep-learning regression
所以我认为指定神经元的数量没有硬性规定。 我通常使用试错法。我用几种不同的架构训练我的网络，直到我得到好的结果。
注意事项
【讨论】：
使用您的网络，您试图逼近一个函数 F(x_1,x_2,..)，从某个输入映射到葡萄酒质量的 10 维向量。
在您的情况下，输入可以是 11 个特征，或者可能只有 1 个。例如，如果葡萄酒价格是一个特征，那么价格和质量之间肯定会存在相关性。但是这种相关性可能会粗略地近似“真实函数”。因此，通过在模型中加入更多特征，您可以越来越好地逼近 True 底层函数。但请注意，某些功能可能毫无用处或几乎没有影响！
【讨论】：
输入单位： 问题是输入层应该有多少个神经元。你有 11 个变量。因此，使用偏置单元，您将在输入层中总共有 12 个单元。
输出单位： 输出单元的数量将取决于它是回归问题还是分类问题，以及问题有多少输出。例如对于葡萄酒数据集，将有 3 个类。在 one-hot 编码方案中，将有 3 个输出单元，每个类一个。
因此，输入和输出单位由数据集确定（除非您正在做一些疯狂的事情）。
隐藏层和单元： 隐藏层的数量和每个隐藏层的单元数量是必须调整的。对于这个特定的问题，可能没有必要深入研究。一个隐藏层就可以了。虽然，对于较小的数据集，您可以训练具有不同隐藏单元和不同层数的多个模型，并根据验证集分数或交叉验证来选择模型。
用一个带有 5 个隐藏单元、三个输出的隐藏层进行训练。葡萄酒数据集。
在这两种情况下，偏差单元都存在。在我的例子中，这个特定的葡萄酒数据集有 13 个输入和三个输出，用于三类分类。
由于这对于较大的数据集可能很耗时，因此您可以使用一些启发式方法来选择层数。例如。从一个隐藏层开始，比如 5 个单元。然后训练模型。接下来，使用 10 个单元训练另一个模型，继续添加 5 个单元，训练模型直到验证分数没有太大提升。然后停止向图层添加单位。之后，您可能想要添加另一层并再次更改隐藏单元的数量并继续。
这是一个非常基本的方法。我建议您阅读学术文章以了解有效的方法。使用的方法很多。首先，我想在这里指出您：http://www.ml4aad.org/literature-on-neural-architecture-search/。还要检查AutoML
【讨论】：