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

---

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。