Artificial intelligence 神经网络输入

我真的不知道这个问题怎么说，所以请容忍我

比如说，我正在开发一个神经网络，用于对田径比赛中的每位跑步者进行评分。我给出了关于跑步者的神经网络信息，例如获胜百分比、上次跑步后的天数等

我的问题是-在这种情况下，神经网络对跑步者进行评分，我能给网络一个像比赛天气一样的输入吗？e、 g.我给网络1.00表示热，2.00表示冷，3.00表示OK

我问这个问题的原因是：神经网络的输出越大，跑步者就越好。因此，这意味着win%投入越高，评级越高。如果我给神经网络输入值越大，不一定意味着跑步者越好，那么网络是否能够理解和使用/解释该输入

---

如果这个问题没有意义，请告诉我

神经网络所做的是映射输入和输出之间的关系。这意味着你必须为你的神经网络设定某种目标。这些目标的例子可以是“预测胜利者”、“预测每个跑步者的速度”或“预测比赛的完整结果”。当然，这些例子中哪一个对你来说是合理的取决于你有什么可用的数据

如果你有一个大的数据集（例如，每个跑步者有几百场比赛），其中记录了结果时间和所有预测变量（包括天气），并且你确定天气和每个跑步者的表现之间存在关系，那么神经网络将很好地能够映射这种关系，即使每个跑步者的关系不同

---

要记录的良好天气变量的示例可能是太阳强度（W/m2）、逆风（m/s）和温度（摄氏度）。然后，可以使用这些变量对每个跑步者的表现进行建模，然后使用神经网络预测跑步者的表现（注意，这种方法需要每个跑步者使用一个神经网络）。

神经网络所做的是映射输入和输出之间的关系。这意味着你必须为你的神经网络设定某种目标。这些目标的例子可以是“预测胜利者”、“预测每个跑步者的速度”或“预测比赛的完整结果”。当然，这些例子中哪一个对你来说是合理的取决于你有什么可用的数据

如果你有一个大的数据集（例如，每个跑步者有几百场比赛），其中记录了结果时间和所有预测变量（包括天气），并且你确定天气和每个跑步者的表现之间存在关系，那么神经网络将很好地能够映射这种关系，即使每个跑步者的关系不同

---

要记录的良好天气变量的示例可能是太阳强度（W/m2）、逆风（m/s）和温度（摄氏度）。然后，可以使用这些变量对每个跑步者的表现进行建模，然后可以使用神经网络预测跑步者的表现（注意，这种方法需要每个跑步者一个神经网络）。

神经网络可以正确地对不相关的输入进行建模（通过赋予它们较低的权重）以及与期望输出成反比的输入（通过分配负权重）。神经网络对连续变化的输入效果更好，因此，您的示例

1.00表示热，2.00表示冷，3.00表示正常..

并不理想：最好

0.00表示热，1.00表示正常，2.00表示冷

在诸如您的国家/地区代码这样没有实际连续关系的情况下，最好的编码（从收敛的角度来看）是使用一组布尔属性（

isArgentina、isAustralia、…、isZambia

）。即使没有这一点，神经网络也应该能够对离散值的输入进行建模（即，如果国家相关，并且如果将它们编码为数字，那么最终神经网络应该能够收敛到

87（肯尼亚）与高性能相关）。在这种情况下，可能需要更多的隐藏节点或更长的训练周期

神经网络的全部要点是在简单的统计分析很困难的情况下使用它们，因此我不同意另一个答案，即你应该预先判断你的数据。
神经网络可以正确地建模不相关的输入（通过赋予它们较低的权重）和与期望输出成反比的输入（通过分配负权重）。神经网络对于连续变化的输入效果更好，因此您的示例
1.00表示热，2.00表示冷，3.00表示正常..
并不理想：最好是
0.00表示热，1.00表示正常，2.00表示冷

在诸如国家代码这样没有真正连续关系的情况下，最好的编码（从收敛的角度来看）是使用一组布尔属性（
isArgentina，isAustralia，…，isZambia
）。即使没有这些，神经网络也应该能够对离散值的输入进行建模（也就是说，如果国家是相关的，并且如果你将它们编码为数字，最终神经网络应该能够收敛到
87（肯尼亚）与高性能相关）。在这种情况下，可能需要更多的隐藏节点或更长的训练周期

神经网络的全部目的是在难以进行简单统计分析的情况下使用它们，因此我不同意另一个答案，即你应该预先判断你的数据。
比如说，我正在看一场赛马，我想对每匹马进行如上所述的评分。我想给神经网络马是在哪个国家繁殖的。然后我会把这个字符串转换成一个数字，并把它交给网络。我的困惑是——因为我不知道是什么