Machine learning 神经网络-我应该删除所有衍生/计算的变量吗？
我用神经网络控制游戏中角色的移动。我目前有大量的维度，为了改进存储和代码的可管理性，我正在考虑删除所有派生变量，即任何可以从已经发送到网络的数据中计算出来的变量 这方面的一个例子是a）位置、b）速度和c）沿路径的加速度之间的关系。目前，我将所有三个数据点中的最后50个数据点发送给NN，以帮助它决定下一个移动。然而，我想知道是否可以通过只发送位置来尽可能地减少系统控制/错误。从理论上讲，神经网络应该能够在给定位置历史的情况下，完全独立地推导出某个时间点的速度和加速度 一般情况下，是否建议在此容量下减小尺寸？为什么 我知道在这种情况下，oft的建议只是测试它，看看会发生什么，但在这种情况下，这里有太多的变量，需要几天才能测试，所以我希望听到任何人在这种情况下的经验，以及他们对一般规则的猜测 额外的问题——对于神经网络（致力于将函数映射到数据）和随机森林（似乎更多地使用最近邻方法）来说，这种评估/决策会有所不同吗Machine learning 神经网络-我应该删除所有衍生/计算的变量吗？,machine-learning,neural-network,random-forest,dimensionality-reduction,Machine Learning,Neural Network,Random Forest,Dimensionality Reduction,我用神经网络控制游戏中角色的移动。我目前有大量的维度，为了改进存储和代码的可管理性，我正在考虑删除所有派生变量，即任何可以从已经发送到网络的数据中计算出来的变量 这方面的一个例子是a）位置、b）速度和c）沿路径的加速度之间的关系。目前，我将所有三个数据点中的最后50个数据点发送给NN，以帮助它决定下一个移动。然而，我想知道是否可以通过只发送位置来尽可能地减少系统控制/错误。从理论上讲，神经网络应该能够在给定位置历史的情况下，完全独立地推导出某个时间点的速度和加速度 一般情况下，是否建议在此容量下
谢谢 实施PCA以减少特征数量。他们减少的功能将有不寻常的单位，如[positionvelocityacceleration]。但是，如果正确执行PCA，则可以保留一个与原始特征集方差为99%的特征集 然后在NN中使用新功能集 建议降低维度以加速算法，因为正如您所观察到的，您的特征之间有很多相似之处