Fatal编程技术网
  • deep-learning/
  • Deep learning 1D CNN能否从其他两个包含的特征推断特征？

Deep learning 1D CNN能否从其他两个包含的特征推断特征？

deep-learning

Deep learning 1D CNN能否从其他两个包含的特征推断特征？,deep-learning,convolution,feature-extraction,feature-selection,convolutional-neural-network,Deep Learning,Convolution,Feature Extraction,Feature Selection,Convolutional Neural Network,我用的是一维CNN的时态数据。假设我有两个特征A和B。A和B之间的比率（即A/B）很重要-让我们称这个特征为C。我想知道我是否需要显式计算并包括特征C，或者CNN理论上可以从给定的特征A和B推断特征C 我知道在深度学习中，最好排除高度相关的功能（如功能C），但我不明白为什么。简单的答案是否定的。使用标准DNN层不会自动捕获这种A/B关系，因为像Conv/Dense这样的标准层只执行矩阵乘法运算 为了简化讨论，让我们假设您的输入功能是二维的，其中第一个维度是A，第二个维度是B。将Conv层应用于此

我用的是一维CNN的时态数据。假设我有两个特征A和B。A和B之间的比率（即A/B）很重要-让我们称这个特征为C。我想知道我是否需要显式计算并包括特征C，或者CNN理论上可以从给定的特征A和B推断特征C

我知道在深度学习中，最好排除高度相关的功能（如功能C），但我不明白为什么。

简单的答案是否定的。使用标准DNN层不会自动捕获这种
A/B
关系，因为像
Conv/Dense
这样的标准层只执行矩阵乘法运算

为了简化讨论，让我们假设您的输入功能是二维的，其中第一个维度是
A
，第二个维度是
B
。将
Conv
层应用于此功能只需学习权重矩阵
w
和偏差
b

y=w*[f_A，f_B]+B=w_A*f_A+w_B*f_B+B

如您所见，此表示法无法模拟甚至近似
A
和
B
之间的比率运算

您不必以与功能
A
和
B
相同的方式使用功能
C
。相反，最好将特性
C
作为单独的输入，因为其动态范围可能与
a
和
B
的动态范围非常不同。这意味着您可以拥有一个多输入网络，其中每个输入都有自己的特征提取层，并且两个输入的结果特征可以连接在一起以预测您的目标。

关于多输入网络的一个非常有趣的观点。对于如何将功能组合在一起以创建不同的输入，您有什么建议吗？在我的数据中，我有数千个特征，我们可以将其分类为1）原始数据，2）根据原始数据计算的数据（例如比率），3）数据的百分比变化。你所说的是特征工程的范围。因此，您事先不知道哪一个效果最好，但您可以尝试所有这些方法，并根据需要制作一个集成模型。