Machine learning 感知器训练算法的输入可以有不同的类型吗？

感知器训练算法中的输入必须是同一类型的吗

---

i、 一个输入是否可以是布尔类型，另一个输入是否可以是整数类型？

这取决于您用于构建它的库。一般来说，所有的神经网络只有一种输入小数。从理论的角度来看，没有其他的支持。所有库在后台所做的是将任何其他数据类型转换为十进制输入。字符串通过字典、布尔值转换为0和1（或-1和1）等。

这取决于您用于构建它的库。一般来说，所有的神经网络只有一种输入小数。从理论的角度来看，没有其他的支持。所有库在后台所做的是将任何其他数据类型转换为十进制输入。字符串通过字典、布尔值转换为0和1（或-1和1）等。它们不能是任意的。查看计算步骤和终止条件（收敛标准）：

更一般地说，如何在感知器中存储评估向量，然后测量它与输入的匹配程度？如何调整反向传播中的向量

如果你能管理这些，你就可以处理你的输入类型

---

就个人而言，我建议你坚持第一条建议：如果可以，将你的输入映射到数字。

它们不能是任意的。查看计算步骤和终止条件（收敛标准）：

更一般地说，如何在感知器中存储评估向量，然后测量它与输入的匹配程度？如何调整反向传播中的向量

如果你能管理这些，你就可以处理你的输入类型

---

就个人而言，我建议你坚持第一条建议：如果可以的话，将你的输入映射到数字。

我完全同意你的建议。大多数东西都可以嵌入——最好使用这些嵌入。对。我们已经有很多这样的属性了。然而，拼写纠正确实可以处理字符串的相似性；训练这样一头野兽是可能的。我完全同意你的建议。大多数东西都可以嵌入——最好使用这些嵌入。对。我们已经有很多这样的属性了。然而，拼写纠正确实可以处理字符串的相似性；训练这样的野兽是可能的。

Update:
y[j](t) = f[w(t) ⋅ x[j] ] 
        = f[w[0](t) x[j,0] + w[1](t) x[j,1] + ⋯ + w[n](t) x[j,n] ]

Convergence:
error = sum(abs(d[j] - y[j](t) )for all j) 
error / j_max < epsilon

"hello" ⋅ [0.66, 0.21, -1.13]