Machine learning logit函数的输出作为神经网络的附加输入

这是一个二元分类问题中人工神经网络和逻辑回归的混合。例如，在我遇到的一篇论文中，他们指出“混合模型类型是通过使用逻辑回归模型来计算失效概率，然后将该值作为附加输入变量添加到ANN中来构建的。这种类型的模型被定义为Plogit ANN模型”

因此，对于n个输入变量，我试图理解如何通过激活函数（例如logit函数）和权重乘以输入的总和来处理ANN的额外输入n+1。我们是否将该概率变量n+1视为一个独立的权重，如特殊类型的b0，我们将其加入权重之和乘以输入，例如每个神经元的总和=（总和（Wi*Xi））+附加变量

---

谢谢你的帮助

根据提供的描述，最简单的方法是将其视为数据的附加功能。所以你有一个模型，可以预测原始数据集的某些东西（一些额外的东西的概率），所以你得到x->f（x）。你只需把它连接到你的特征向量上，这样x'=[x1x2…xkf（x）]，然后把它推过网络

---

然而，所描述的方法非常幼稚，因为您完全独立地做这两件事（训练f和训练神经网络），更有益的是将拟合f视为辅助损失，并联合训练您的模型。

感谢您的回答。你已经澄清了我对f（x）作为输入的相关性的困惑。请您进一步解释这一点“将配件f视为辅助损耗，并共同培训您的模型。”。我不明白你的意思。