Artificial intelligence 人工神经网络

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？另外，它对离散值输入的性能也很好吗？

好吧，让我说一个好问题

首先让我对你的问题直接回答是

这个答案意味着对网络本身的使用和实现的考虑很少。 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， 比让神经网络计算任务，一旦你有你的输出，颠倒归一化，以获得在原来的范围内的输出，但仍然是连续的，以返回DeCube值只是考虑整数输出的一部分。这很简单，很有效，很好，完成了！好的结果取决于您为网络设计的拓扑结构

作为一个补充，你可以考虑使用“步骤”传递函数，而不是“谭SigMID”，在层之间只是为了加强和模仿一种数字化迫使输出仅为0或1。但是您还应该重新考虑开始的规范化以及使用经过良好调优的阈值

注意：后一个技巧并不是真正必要的，但可能会带来一些次要的好处；也许在你发展的第二阶段测试一下，看看它们的不同

附言：让我建议一些应该适用于你的问题的东西；如果你很聪明，请考虑在学习算法中使用一些模糊逻辑；-）

---

干杯

神经网络的目的是通过插值样本来逼近复杂函数。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。

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结构（数值）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，但这是最简单的。

我在这个问题上迟到了，但这可能会帮助一些人

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 然后变成

1, 0, 0
0, 0, 1
0, 1, 0
0, 0, 1
0, 1, 0
1, 0, 0

可能的NN输出结果如下所示

0.2, 0.3, 0.5  (winner is categ 2) 
0.05, 0.9, 0.05  (winner is categ 1)
... 

在这种情况下，NN hill有3个输出节点，因此取最大值。

---

为了改善这一点，使用熵作为误差度量，并在输出层上激活softmax，使输出总和为1。

与如果所有输入都是离散的，则只有有限数量的输入组合有关。如果这个数字不是不可能的大，你甚至可以不用人工神经网络计算出最优输出。为什么这个答案会投反对票而没有任何解释？

0.2, 0.3, 0.5  (winner is categ 2) 
0.05, 0.9, 0.05  (winner is categ 1)
...