Python 线性数据集的激活函数
我一直在使用主要显示不同属性/特征之间线性关系的数据集。我应该对线性数据集使用什么激活?到目前为止,我一直在使用sigmoid函数Python 线性数据集的激活函数,python,r,neural-network,activation-function,Python,R,Neural Network,Activation Function,我一直在使用主要显示不同属性/特征之间线性关系的数据集。我应该对线性数据集使用什么激活?到目前为止,我一直在使用sigmoid函数 是否有其他激活函数我必须尝试?1过多的线性相关属性并不好,因为与信息属性相比,它们可能会引入太多的噪声。如果您的样本喜欢不同温度下某些气体的红外光谱,那么最好使用PCA或其他降维算法来降维数据,使其信息量最大 2激活功能取决于神经网络的结构及其功能。例如,ReLU激活功能现在非常流行。例如,有关keras库中的分类虹膜数据集,请参见下面的代码。层具有不同的激活功能
是否有其他激活函数我必须尝试?1过多的线性相关属性并不好,因为与信息属性相比,它们可能会引入太多的噪声。如果您的样本喜欢不同温度下某些气体的红外光谱,那么最好使用PCA或其他降维算法来降维数据,使其信息量最大 2激活功能取决于神经网络的结构及其功能。例如,ReLU激活功能现在非常流行。例如,有关keras库中的分类虹膜数据集,请参见下面的代码。层具有不同的激活功能
library(keras)
train <- iris[sample(nrow(iris)),]
y <- train[, "Species"]
x <- train[, 1:4]
x <- as.matrix(apply(x, 2, function(x) (x - min(x)) / (max(x) - min(x))))
levels(y) <- seq_along(y)
y <- to_categorical(as.integer(y) - 1 , num_classes = 3)
model <- keras_model_sequential()
# add layers and activation functions
model %>%
layer_dense(input_shape = ncol(x), units = 10, activation = "relu") %>%
layer_dense(units = 10, activation = "relu") %>%
layer_dense(units = 3, activation = "softmax")
model %>%
compile(
loss = "categorical_crossentropy",
optimizer = "adagrad",
metrics = "accuracy"
)
fit <- model %>%
fit(
x = x,
y = y,
shuffle = T,
batch_size = 5,
validation_split = 0.3,
epochs = 150
)
好吧,我建议你搜索一下,你肯定会找到的!但如果搜索后找不到,可以再问一次。@M.AliÖztürk我试过搜索,但找不到。对于线性关系,使用线性回归,无需深入学习。没有任何东西能够捕捉到更具风格的线性关系。@误用线性回归仍然需要激活函数?不,它不需要。