Machine learning 具有模式识别和；预测投入：坏主意？

这是关于Ward Systems NeuroShell 2中的3层MLP（输入、隐藏、输出）

我更愿意将这些输入层类（PR&F）拆分为两个独立的网络，每个网络都有自己的隐藏层，然后为单个输出层提供数据—这将是一个3层网络。可能有一个4层版本，使用一个新的隐藏层来组合两个网络：

1） 输入（划分为F和PR类） 2） 隐藏（划分为F和PR类） 3） 隐藏层（完全连接的“混合”层） 4） 输出

这些结构将立即进行训练，而不是训练两个网络，获得输出/预测，然后平均这两个数字

我发现，虽然平均产出是有效的，“让网络来做”效果更好。但这需要层分区，而我的平台（NeuralShell 2）无法做到这一点。我从来没有读过有人试图做得比平均更好的论文

供参考，PR与F输入的比率为10:1

大多数关于网络的讨论是预测，通常是10个输入的数量级。模式识别的数量更多，从100到1000，甚至更多

事实上，在搜索研究时，这两类问题似乎实际上是相互排斥的

所以我的结论是，在一个网络中同时使用这两种结构可能是一个非常糟糕的想法

---

同意吗

一点也不坏！事实上，这种方法是一种非常常用的方法，经常使用，你只是错过了一些秘密的行话

基本上，你们要做的是一个集合预测。最好的方法是训练两个完全独立的网络来解决问题的两个方面。然后使用这些输出作为新神经网络的输入

该领域被称为，结果往往相当好

---

至于你关于混合模式识别和预测的问题，如果你不知道你正在处理的数据的更多细节，那么你就不可能在这个问题上打电话，但是，仅仅因为人们没有尝试过，并不意味着你也不应该尝试。

感谢集成学习的定义-我肯定经常遇到它，但是有太多的术语策略，我就是无法保持它们的正确性 对于NS2，可能是处理此方法的唯一方法。我感兴趣的是一个平台，可以让我一起训练2级网络和合奏。MemBrain允许任何连接和递归循环，并且有脚本语言——但我会尽可能地推迟平台更改。实际上，与平均值相比，集合方法应该更好。然而，它增加了很多步骤来做预测。不要使用membrain。最近的文献已经非常确凿地表明，增加模型大小而不是增加复杂性才是实现性能的真正途径。如果你认为你需要增加复杂性，那么你可能会让事情变得更加复杂。此外，如果答案有帮助，不要忘记接受它（投票计数下的绿色复选标记）“增加模型大小”是否意味着运行额外数量的隐藏节点（3层MLP）并使用提前停止或正则化等来避免过度训练？@user5070630更大数量的隐藏节点和更多隐藏层的组合。