从支持向量机到神经网络（反向传播）

Question

我正在处理文本识别，目前我正在使用支持向量机方法。我也想尝试使用神经网络。我阅读了一些关于神经网络如何工作的文件，但理论很重，我不知道它究竟如何适用于我的案例。所以如果有人能帮我说清楚就好了，尤其是神经网络的架构。

• 目前，在 SVM 中，我有 200 个特征（分为 4 个主要 类别），用于识别文本。如果我转向神经 网络，有 200 个特征，是不是意味着我在输入层会有 200 个中子？
• 有 200 个特征，这将如何导致神经网络的架构 网络（根据数字层（隐藏层）和 中子）？
• 在 SVM 中，我有一类分类（基本上是真假）和多类分类（标签），这种差异将如何应用于神经网络的输出层？

我还有一些一般性问题：

• 什么有助于确定隐藏层数和每个隐藏层内的中子数？
• 隐藏层数与准确率有关吗？

我是神经网络的新手，所以如果你能以一种不太稳定的方式向我解释，那就太好了。 :)
非常感谢。

Answer 1

第 1 点 - 它将是 200 个输入神经元，其中每个神经元被输入一个二进制数或浮点数（最好在 -1 到 1 的范围内归一化）。

第 2/4 点 - 大多数问题都通过单个隐藏层解决。当然，如果您从神经网络开始，您应该坚持使用一个隐藏层。我还建议从少于 200 个输入神经元开始，尝试 5 或 10 个。在复杂问题中使用多个隐藏层，例如，第一个隐藏层学习狗、猫、马等宏观特征，下一个隐藏层学习得更好眼睛、鼻子、耳朵等特征。

没有确定隐藏神经元数量的确定程序。问题越复杂，理论上它需要的隐藏神经元就越多。如果你有 10 个输入神经元，从 20 个隐藏神经元开始。如果它不起作用，则其他地方可能有问题。如果它确实有效，您可以减少隐藏神经元的数量，直到它失败。
你也可以从低处开始，然后努力工作。

第 3 点 - 对于真假分类，使用单个输出神经元，并使用 0 或 1 对其进行训练。对于 n 个类别，使用 n 个编码中的 1 个。

第 5 点 - 不。准确性是通过网络的泛化能力来衡量的——即，它如何处理以前从未见过的数据。一般来说，更多的训练数据 = 更准确。