Artificial intelligence 如何消除；“不必要的”；神经网络的价值观？

我的教授让我们班制作一个神经网络来预测乳腺癌是良性还是恶性。要做到这一点，我正在使用

作为这样做的一个提示，我的教授说，并非所有30个心房都需要用作输入（有32个，但前2个是ID和诊断），我想问的是：我应该如何接受这30个输入（根据我使用的神经元数量，这将产生100多个权重）并将它们减少到一个较小的数量

我已经找到了如何“修剪”神经网络，但我认为这不是我想要的。我不是要消除不必要的神经元，而是要减少输入本身

PS：对不起，有任何英语错误，这不是我的母语。

这个问题叫做。对于神经网络和其他分类器来说，这基本上是相同的。您可以使用PCA在保留最大差异的同时修剪数据集。更进一步，您可以使用贪婪的方法，通过依次排除每个特征来训练和测试网络，逐个评估您的特征。

有一种仅使用神经网络的

特征选择技术
将数据集分为三组：


用于监督培训的培训数据
验证数据用于验证神经网络的泛化能力
精度测试用于测试哪些功能是必需的

步骤如下：
在您的培训和验证集上培训一个网络，就像您通常所做的那样
使用第三个数据集测试网络的准确性
找到在上述精度测试中下降幅度最小的变量（下降意味着始终输入零作为输入信号）
使用新选择的功能重新训练网络
继续这样做，要么是因为网络没有得到训练，要么就是只剩下一个变量
这是一个正在研究中的问题。它被称为特征选择，已经有了一些技术。一种是
主成分分析（PCA）
，它利用保持最大差异的特征来降低数据集的维度。你可以做的另一件事是看看是否有高度相关的变量。如果两个输入高度相关，则可能意味着它们携带几乎相同的信息，因此可以删除这些信息，而不会严重影响分类器的性能。作为第三种技巧，您可以使用
深度学习
，这是一种尝试学习稍后将用于培训师的功能的技巧。关于深度学习和PCA的更多信息可以在这里找到
我认为有30个属性，一个接一个地检查它们可能是一场灾难。你可以做一个PCA，然后开始训练1，2，3。。。最佳功能，选择在更短时间内为您提供最佳准确性的功能。