Python 在训练和预测期间，我应该如何处理神经网络中的可变样本长度？

因此，我的最终目标是建立一个具有Keras的模型，该模型可以根据输入的雷达数据预测气体或制动百分比。然而，我的雷达数据可以从任何地方变化到1点到16点（对象），所有这些数据都有自己的元数据（速度、横向位置等）。我的输入形状的一个例子是

[[4.5，-2.2]，[5.6，1.1]]

，是每个列表中该对象的雷达轨迹、速度和横向位置的列表

我知道，对于分类问题，我们应该将这些缺失数据设置为一个除了缺失数据之外从未使用过的类，尽管对于回归，我有点困惑。如果我将缺失数据设置为全零，那么模型应该如何区分零是点的速度，还是点缺失

---

我的第一个想法是在所有点中引入一个新的数据点，并将其设置为0到1，对应于该点是否为“真实”或是否要考虑。我只是不确定这是否是最好的解决方法。

我不认为需要额外的布尔值，因为只有少数情况下位置数据和速度为零

但是，如果您不想使用零填充，也可以利用 接受可变输入长度的递归神经网络（RNN）

---

最后，您还可以查看所回答的类似问题

您是对的，我在末尾删除了额外的“status”变量，并将数据替换为0，看起来与以前一样！我想这是因为正如你所说，我的训练数据中很少有距离我的车0米的距离，所以计算出来很好。谢谢