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：

• 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

您将创建这些网络中的每一个，就像创建具有独立权重矩阵和输出假设的常规网络一样

这将在一些tensorflow代码中结束，如

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。