Python 如何加权输入?
我正在尝试使用TensorFlow训练一个简单的模型 我想得到一个准确的预测(98%+),用于训练模型的新输入 有500个输入。1表示价格(500-200.000),1表示施工年份(1980-2017),其余498表示正确或错误(0/1)。现在498输入非常重要(事实上,其他两个几乎已经过时)。所以都是数字 我查阅了TensorFlow文档,没有找到任何关于如何权衡不同输入的教程。e、 g.价格/年应仅弥补预测的“10%(各0.05),而剩余部分弥补其余部分(0.9) 有解决这个问题的办法吗?问题 构造一个学习算法,该算法不选择其自身的所有权重,而是只选择其部分权重。具体来说,给定500个特征,第一个特征贡献5%,第二个特征贡献5%,其余498个特征贡献95%的最终预测 解决方案 这与专家集合的体系结构非常相似。您将创建3个网络,而不是创建1个网络:Python 如何加权输入?,python,tensorflow,prediction,Python,Tensorflow,Prediction,我正在尝试使用TensorFlow训练一个简单的模型 我想得到一个准确的预测(98%+),用于训练模型的新输入 有500个输入。1表示价格(500-200.000),1表示施工年份(1980-2017),其余498表示正确或错误(0/1)。现在498输入非常重要(事实上,其他两个几乎已经过时)。所以都是数字 我查阅了TensorFlow文档,没有找到任何关于如何权衡不同输入的教程。e、 g.价格/年应仅弥补预测的“10%(各0.05),而剩余部分弥补其余部分(0.9) 有解决这个问题的办法吗?问
- 使用功能1的网络
- 使用功能2的网络
- 使用功能3到500的网络
y_out_from_price = tf.nn.softmax( h_out_from_price )
y_out_from_year = tf.nn.softmax( h_out_from_year )
y_out_from_rest = tf.nn.softmax( h_out_from_rest )
其中每一个都是您的分类预测。你最后的预测是
y_out_final = 0.05 * y_out_from_price +
0.05 * y_out_from_year +
0.95 * y_out_from_rest
我的意见是,仅使用所有的功能,它的性能就会差。这是什么预测?输入是price,year,+498其他功能,但期望的输出是什么?@wontonimo期望的输出是如果新输入在一定程度上“等于”训练数据。(这要简化)为了更准确:输入必须按类别排序。假设有10个不同的类别。因此,应该预测输入在哪个类别中适合哪个程度。如果输入符合超过98%的类别,则会在mysql数据库中分配给它。谢谢您的回答。我回家后会试试的。为什么仅仅使用所有的功能,它的性能就会差呢?让我们假设每一个h_out_from_。。。是一种具有非线性的多层神经网络,因此可以计算类似xor的函数。这将允许(例如)功能部件7和功能部件11在异或逻辑中相互之间进行切换。由于price和year与其余部分不在同一个网络中,因此类似xor的逻辑(包括price或year)甚至不能用这个网络表示。