神经网络输入和输出到有意义的值答案

【问题标题】：Neural Network Inputs and Outputs to meaningful values神经网络输入和输出到有意义的值
【发布时间】：2011-02-09 21:09:39
【问题描述】：

我正在尝试确定如何将我的“有意义的输入”转换为人工神经网络的数据，以及如何将输出转换为“有意义的输出”。

我总能看到这样做的方法是将所有内容转换为具有二进制值的类别。

例如，不是输出年龄，而是用 0-1 表示

与输入相同，例如，我可能会使用头发颜色。将其转换为 Blonde 0-1、Brown 0-1 等的输入的唯一方法是什么？

我是否错过了 ANN 的一些完整主题？我阅读的大多数书籍和类似书籍都使用理论示例。

【问题讨论】：

【解决方案1】：

您的示例非常准确，被称为离散化。另一种方法是将连续输入/输出缩放到 0-1 范围。对于您的其他头发颜色示例，这将是一个名义属性，因此唯一真正的选择是将其离散化为每种颜色的单独输入。

【讨论】：

我认为可能是这种情况。我调整了输入的年龄，但对于头发颜色等问题，我很高兴至少有其他人看到了与我相同的解决方案。 :)（但知道正确的术语:)）
其实我一直在思考这个问题，也不确定要不要跨年。如果我理解正确，缩放将无法处理不寻常的峰值（例如 20 岁左右的峰值和 40 岁左右的另一个峰值，中间有一个下降）。这是另一个要求离散化的呼吁吗？
有不同的方法来缩放连续值。我认为线性缩放会保留“峰值”，但你必须为你的年龄建立一个界限。例如，您可以将最小年龄设置为 0（出于显而易见的原因），最大年龄设置为 100，这样 50 岁的年龄将变为 0.5。如果您使用对数缩放，则无需设置明确的界限，但您的分布可能会失真，使得 NN 更难理解它。
只是补充一点，这也称为“binning”，因为您将值放入“bins”并且经常用于图像处理，因此您可能可以从图像处理库中获取一些源代码示例。