【发布时间】：2011-11-19 09:22:37
【问题描述】：
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，但它们可以应用于离散值输入吗？此外，对于离散值输入是否会表现良好？
【问题讨论】：
-
如果所有输入都是离散的，那么您只有有限数量的输入组合。如果这个数字不是很大，你甚至可以在完全不使用人工神经网络的情况下计算出最佳输出。
标签： artificial-intelligence neural-network
【发布时间】：2011-11-19 09:22:37
【问题描述】：
好吧，好问题让我说！
首先让我直接回答你的问题！
答案意味着要考虑有关网络本身的使用和实施的几个方面。
让我解释一下原因：
- 最简单的方法是像往常一样规范化输入，这是 NN 的第一条经验法则， 而不是让神经网络计算任务，一旦你有了输出，反转归一化以获得原始范围内的输出但仍然是连续的，要返回离散值，只需考虑输出的整数部分。这很容易，它可以工作并且很好，完成！好的结果取决于您为网络设计的拓扑。
作为一个优点，您可以考虑在层之间使用“step”传递函数，而不是“tan-sigmoid”，以加强和模拟一种强制输出仅为 0 或 1 的数字化。但您应该还要重新考虑开始标准化以及使用经过良好调整的阈值。
注意：后一种技巧并不是真正必要的，但可能会带来一些次要的好处；也许在您的开发的第二阶段对其进行测试并查看差异。
PS：请允许我提出一些适用于您的问题的建议；如果您很聪明，请考虑在您的学习算法中使用一些模糊逻辑；-)
干杯！
【讨论】：
-
为什么这个答案投了反对票，没有评论解释原因？
神经网络的目的是通过插值样本来逼近复杂的函数。因此，它们往往不适合离散数据，除非该数据可以通过对连续函数进行阈值化来表示。根据您的问题，可能会有更有效的学习方法。
【讨论】：
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（数值型）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。
【讨论】：
我在这个问题上迟到了，但这可能会对某人有所帮助。
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），
输出
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
一个可能的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)
...
那么在这种情况下，您的 NN hill 有 3 个输出节点，因此取最大值。 为了改善这一点，在输出层使用熵作为误差度量和 softmax 激活，使输出总和为 1。
【讨论】：