当我有一个回归任务时，建议在神经网络中使用什么激活函数？
当你有一个回归任务时，建议在神经网络中使用线性激活函数。
线性激活函数是一种简单的激活函数，它直接将输入映射到输出，不引入非线性变换。在回归任务中，我们通常希望预测的输出是连续的，而线性激活函数可以保持输出的连续性。
线性激活函数的优势在于它不会引入非线性变换，因此可以更好地拟合线性关系。对于简单的回归任务，线性激活函数可以提供较好的性能。
然而，线性激活函数也有一些限制。由于它没有非线性变换，它无法捕捉到输入数据中的复杂模式和非线性关系。对于包含非线性关系的复杂回归任务，线性激活函数可能无法提供足够的拟合能力。
在腾讯云的神经网络服务中，推荐使用的线性激活函数是ReLU（Rectified Linear Unit）。ReLU函数在输入大于零时返回输入值，而在输入小于等于零时返回零。它是一种简单且常用的非线性激活函数，可以在一定程度上解决线性激活函数的限制。
腾讯云的神经网络服务包括腾讯云AI Lab、腾讯云机器学习平台等产品，您可以通过以下链接了解更多信息：
- 腾讯云AI Lab：https://cloud.tencent.com/product/ailab
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
请注意，以上答案仅供参考，具体选择激活函数还需根据具体情况和实际需求进行评估和调整。
相关·内容
8回答
我对机器学习和神经网络很陌生。我知道如何建立一个非线性分类模型，但我目前的问题有一个连续的输出。我一直在寻找关于神经网络回归的信息，但我所遇到的只是关于线性回归的信息--没有关于非线性情况的信息。这很奇怪，因为为什么会有人用神经网络来解决简单的线性回归呢？这不就像用核弹杀死苍蝇吗？
所以我的问题是:是什么使神经网络非线性？(隐藏层？非线性激活函数？)或者我对“线性”这个词有一个完全错误的理解--线性回归神经网络能够准确地建模出比y=aX+b更复杂的数据集吗？“线性”一词是否与“逻辑”相反？
(我计划使用TensorFlow，但TensorFlow线性模型教程以二进制分类问题为例，因此这对我也没
浏览 12提问于2016-12-20得票数 37
回答已采纳
2回答
神经网络中的激活函数
、、、、
我有一组关于神经网络中各种激活函数的使用的问题。如果有人能给我解释的话，我会非常感激的。
为什么只在隐藏层上使用ReLU？
为什么Sigmoid不用于多类分类？
为什么我们在所有负值的回归问题中不使用任何激活函数？
为什么我们在计算average='micro'分类时使用multi_class？
f1-score(y_pred,y_test,average='micro')
浏览 0提问于2019-11-13得票数 -1
回答已采纳
3回答
机器学习中的激活函数
、、、、
什么是机器学习中的激活功能。我看了大部分的文章和视频，每个人都说或者和神经网络做比较。我是机器学习的新手，对深度学习和神经网络不太熟悉。那么，谁能解释一下激活函数到底是什么呢？而不是用神经网络来解释。当我学习用于logistic回归的Sigmoid函数时，我开始使用这种模糊性。
浏览 1提问于2018-03-20得票数 3
回答已采纳
我正在尝试使用keras构建一个简单的单层LSTM神经网络，它有一个带有一个神经元的Dense()输出层(用于回归)。
我知道，当我对模型进行fit()时，训练数据必须重新缩放。许多在线示例在0,1范围内重新调整输入和输出，其他在-1,1范围内。
对于像我这样的简单回归问题，重新调整输入和输出的正确选择是什么?为什么？我知道这与使用的激活函数有关，例如，sigmoid输出值在0,1范围内。
我已经看到你可以选择激活函数和循环激活。如何在keras中的LSTM()上下文中实现激活函数(例如，输入门具有“sigmoid”)？
谢谢!
浏览 0提问于2017-08-22得票数 2
2回答
我有一个神经网络用于回归预测，这意味着输出是一个范围在0到1之间的实数。
我对所有的层都使用了drop out，误差突然增加了，而且永远不会收敛。
drop - out是否可用于回归任务？因为如果我们忽略一些节点，最后一层的节点会更少，预测值肯定会与实际值相差很大。因此，反向传播的误差将很大，模型将被破坏。那么为什么我们要在神经网络中使用drop out来执行回归任务呢？
浏览 0提问于2019-02-07得票数 3
我想了解什么是最好的方法是对一个经过训练的TensorFlow神经网络进行进一步的回归分析。
具体来说，我正在研究如何从经过训练的神经网络中找到进一步的最大值/极小值(相当于从回归曲线中求出max/min )。简单的方法显然是“尝试”所有可能的组合，并检查结果集的最大值/分钟，但是当有多个输入和因变量时，测试所有组合很快就会成为一个巨大的资源接收器。
有没有办法使用经过训练的TensorFlow神经网络来进行这些进一步的分析？
浏览 7提问于2016-07-06得票数 0
回答已采纳
8回答
我理解用正反两种方法训练梯度下降的神经网络的所有计算步骤，但我试着思考为什么它们比logistic回归更好。
就目前而言，我能想到的就是：
( A)神经网络可以学习它自己的参数
( B)有比简单的logistic回归更多的权重，从而允许了更复杂的假设。
有人能解释为什么神经网络在一般情况下工作得这么好吗？我是一个相对初学者。
浏览 11提问于2016-07-26得票数 11
回答已采纳
我在Azure Machine Learning Studio中找不到回归神经网络的激活函数。我不能确定我的神经网络采用的激活函数是什么。也遵循本文档-
有人可以建议在哪里提到它/使用的默认激活函数是什么？
浏览 6提问于2018-07-30得票数 0
2回答
我要参加安德鲁·吴的课程--机器学习。他提到，与训练神经网络相比，训练具有多项式特征的logistic回归模型对于某些任务来说是非常昂贵的。那是为什么呢？我的意思是，当我们谈论神经网络时，我们通常看到的是一个参数非常多的模型，那么，为什么逻辑回归在计算上会更昂贵呢？
PS:下面是一些上下文(在关于神经网络的练习开始时)：
在本练习的前一部分中，您实现了多类逻辑回归来识别手写数字。然而，logistic回归不能形成更复杂的假设，因为它只是一个线性分类器(可以在logistic回归中添加更多的特征，例如多项式特征，但这可能会非常昂贵)。
浏览 0提问于2019-08-22得票数 0
回答已采纳
1回答
我目前正在尝试使用神经网络进行回归预测。
然而，我不知道什么是最好的方法来处理这个问题，因为我读到有两种不同的方法可以用神经网络进行回归预测。
1)一些网站/文章建议增加一个线性的最后一层。
我认为我的最后一层看起来是：
layer1 = tanh(layer0*weight1 + bias1)
layer2 = identity(layer1*weight2+bias2)
我还注意到，当我使用这个解决方案时，我通常得到一个预测，这是批预测的平均值。当我使用tanh或sigmoid作为倒数第二层时，情况就是这样。
2)其他一些网站/文章建议将输出扩展到[-1,1]或[0,1]范围，并使用ta
浏览 1提问于2016-06-20得票数 3
回答已采纳
1回答
Logistic回归和线性回归是神经网络的特例吗？ 请说明我是否可以认为这句话是正确的。
浏览 30提问于2020-04-24得票数 1
回答已采纳
1回答
我正在使用一个神经网络来解决一个回归问题。我对所有的值进行了缩放，使其落在0,1的区间内。
因此，所有的训练输入和输出都是0,1。
但是，当我为一些测试示例运行网络时，这些值将低于0。我怎么才能克服这一切呢？我希望所有的值都在0,1中。
浏览 0提问于2014-10-03得票数 0
1回答
所以我有一个数据集，我一直在上面执行机器学习算法。我已经在一个180 x 160的数据集上执行了MLR，逐步回归，SVM和随机森林。我正在对一个变量和159个其他变量进行建模，有179种情况。这都是回归建模。我已经使用了插入符号包，在这个包中，我使用训练函数对不同的机器学习算法进行了10次10次折叠交叉验证。我被告知阅读一篇使用神经网络模型的论文，并获得了更好的结果，所以我一直在尝试寻找一种方法来做同样的事情，但使用神经网络模型。
我已经做了以下几件事：
model <- train(RT..seconds.~., data = cadets, method = "AMORE&#
浏览 2提问于2014-02-07得票数 3
回答已采纳
1回答
多浮子输出的神经网络
、、、
我有一个数据集，包含40个输入列和12个输出列(浮点数)。
我认为这是一个回归问题，我想知道如何选择理想的神经网络结构，我没有找到多输出的神经网络回归的例子，那么正确的方法是什么呢？
浏览 0提问于2018-02-13得票数 3
我目前正在学习TensorFlow 2.0和Keras。我知道激活函数用于根据数学函数计算神经网络每一层的输出。然而，当我在层层搜索的时候，我找不到合成的和容易阅读的信息给一个深层次学习的初学者。
有一个keras文档，但是我想要综合地知道：
用来创建模型的最常见的层是什么(密集的、扁平的、MaxPooling2D的、Dropout的，.)。在哪种情况下使用它们？(分类、回归、其他)根据每种情况使用每一层的合适方法是什么？
浏览 3提问于2020-02-11得票数 0
回答已采纳
2回答
我正在解决的问题是一个使用神经网络的回归问题，"y“值涵盖了非常大的范围(假设y代表0到10000人之间的人数)，这使得它不可能被解释为一个分类问题。
我现在解决的问题和普通的回归问题之间唯一的区别是输出神经元应该产生一个严格的整数，而不是十进制。
是否有任何激活函数可以处理此约束？或者用什么方法来建模这个约束呢？
浏览 0提问于2020-06-01得票数 2
1回答
我正试图使用MLPRegressor建立一个神经网络模型，有人告诉我使用以下结构：
网络必须有两个不同的隐层节点布局:第一个隐层有100个节点，第二个隐层每个有100个节点。使用的神经网络具有两个激活函数：“身份”和“relu”。。
我已经在网上查看过了，但是我对文档并没有很好的理解。到目前为止，我所做的尝试采取了以下形式：
model = MLPRegressor(hidden_layer_sizes=((100),(100,100,100)), activation='relu', solver = 'lbfgs').fit(X,Y)
但这不考虑这两个激活函
浏览 18提问于2022-12-02得票数 0
1回答
我读了很多关于神经网络的文章，我发现了非常不同的信息。我知道，有监督的神经网络也可以进行回归和分类。在这两种情况下，我都可以使用sigmoid函数，但是有什么区别呢？
浏览 1提问于2022-03-11得票数 -1
在上，我读到ReLU只应该在隐藏层中使用。为什么会这样？
我有一个带有回归任务的神经网络。它输出一个介于0到10之间的数字。我认为ReLU是一个很好的选择，因为它不会返回小于0的数字。输出层的最佳激活函数是什么？
浏览 0提问于2018-08-25得票数 2
回答已采纳
1回答
我听说每种不同的分类算法都可以用神经网络结构来表示。Logistic回归、SVM(支持向量机)、ELM(极限学习机)等不同算法如何表示为神经网络？有办法将分类算法的矢量方程转化为神经网络结构吗？
浏览 0提问于2019-11-07得票数 2
回答已采纳
我的问题是基于的理解
在神经网络中，神经元由阈值(激活)函数激活，在上面的例子中是sigmoid函数。对于回归问题，我们需要激活函数吗？向Souvik致敬
浏览 9提问于2017-06-29得票数 0
1回答
我有一个由5个数值变量组成的数据集，如以下图像中的示例：
📷
在这个数据集中，前四个变量是输入，GDP是输出。我正试图建立一个回归GDP变量的神经网络。对于输入变量，我使用主成分分析来规范数据，而对于GDP变量，我使用了MinMax归一化算法。然而，神经网络结果的精度很低，我认为问题在于输出变量的归一化。关于如何提高神经网络的准确性，有什么建议吗？
浏览 0提问于2020-03-24得票数 0
目的:求回归线(多变量超平面)的系数。最能模拟数据的方法。我们把这个叫做w
在以下方面有何区别：
1)使用MAP估计：w=(XX^T+\lambda I )^{-1}Xy^T，其中X是输入的训练数据，y是训练的输出。
和
2)使用神经网络进行回归(我不知道这是如何实现的)
(以及用于线性回归的任何其他方法)
浏览 0提问于2018-11-09得票数 2
1回答
我的任务是为一个预测问题(输入参数有数字和分类变量的组合)建立一个多元线性回归模型。 如果我使用人工神经网络(ANN)来构建一个进行预测的模型，这是多元线性回归模型还是深度学习模型？如果我可以使用ann来构建多元线性回归模型，我会感到困惑。
浏览 47提问于2019-01-24得票数 0
回答已采纳
1回答
没有隐藏层的神经网络是否表现为回归？没有隐藏层的NN能说我们什么？
例如，如果我们有20个输入和4个输出，而我没有真正的标签，这是否类似于回归？
如果它是一个回归，那么它将是一个监督学习，但没有真正的标签！
这个澄清里面有什么不对？
更多的说明:此外，我有一个dqn (一个深入学习结构的Q-学习方法)！不幸的是，我没有最理想的答案！我正在寻找一种方法来比较我的结果，也许我可以用一个联合国/监督的学习方法来比较，而不是DNN！例如，您可以在没有隐藏层的情况下放置一个DNN，因为它的行为类似于线性回归，那么您可以将每个有监督的学习代替它！由于没有真正的标签，我有问题的培训部分和估计DNN部分与监督
浏览 0提问于2018-08-31得票数 6
1回答
我几乎把整件事都安排在脑子里了，但我只想确认一下。
我们有一个3层的神经网络。
我们输入Xs和它们的权重Ws (我们在开始时随机选择Ws )。
所有输入的x*w之和(或者这里可能有不同的函数，如果是的话，我们为什么需要它，在什么情况下)。
我们将和传递给激活函数，并将函数的输出传递给下一层的神经元。
在训练网络时，我们使用反向传播(如果我们有一个没有隐藏层的神经网络)，然后等待它的训练。
所以我的问题是和函数，它能不同吗?如果是，为什么？
还有一个快速的问题，如果我想训练一个神经网络来解一个*x^2 +b*x+c=y，并且我有x和相应的y的随机值，那么网络的设计是什么？
浏览 5提问于2013-05-10得票数 0
回答已采纳
愚蠢的问题：
是否存在只用于分类或回归问题的算法？
例如，随机森林应该只适用于分类问题和回归问题的神经网络吗？
谢谢你抽出时间:)
浏览 0提问于2018-11-12得票数 0
回答已采纳
1回答
Keras神经网络预处理
、、、
当我在回归问题中拟合一个神经网络时，我对此表示怀疑。我使用Imputers和Scale的方法对火车和测试数据的预测器(特性)进行了预处理，但没有对火车数据或测试数据的类或目标进行预处理。
在我的神经网络体系结构中，除了最后一层具有乙状结肠函数外，所有层都有relu、作为激活函数。我为最后一层选择了sigmoid函数，因为预测值在0到1之间。
博士：，我的问题是:我应该去处理我的神经网络的输出吗？如果我不使用sigmoid函数，输出的值是<0和> 1。在这种情况下，我应该如何做呢？
谢谢
浏览 2提问于2018-04-30得票数 0
1回答
神经网络型问题
、、
这个网络链接是给一个网站，谈论预测建筑电力，就像一个时间序列回归的概念。
在本文中，他们将NN体系结构讨论为：
这个神经网络的结构可以写成120:7:24。
是MLP型神经网络吗？我也不明白的是，它们是否解释了预测/预测的时间序列方法。例如，我认为对于时间序列应用程序，需要使用sliding window概念，这是一个典型的没有时间因素的回归问题。任何小贴士都非常感谢！
浏览 0提问于2021-02-22得票数 0
回答已采纳
6回答
我只想测试一下神经网络近似乘法函数(回归任务)有多好。我正在使用Azure机器学习工作室。我有6500个样本，1个隐层(我测试了每个隐层5个/30 /100神经元)，没有归一化。和默认参数。我的准确度非常差，接近0。同时，增强决策林回归结果显示出很好的近似性。
我做错了什么？这个任务对NN来说应该是非常容易的。
浏览 5提问于2016-05-30得票数 3
回答已采纳
1回答
在讨论神经网络时，我对使用线性/非线性这个术语有些困惑。有谁能为我澄清这3点：
神经网络中的每个节点都是输入的加权和。这是输入的线性组合。因此，每个节点的值(忽略激活)是由一些线性函数给出的。我听说神经网络是通用函数逼近器。这是否意味着，尽管在每个节点中包含线性函数，总网络也能够近似于一个非线性函数？在实践中，是否有明确的例子说明这是如何运作的？
激活函数应用于该节点的输出，以压缩/转换输出，以便通过网络的其余部分进一步传播。我是否正确地将激活函数的输出解释为该节点的“强度”？
激活函数也称为非线性函数。非线性这一术语从何而来？因为输入到激活是输入到节点的线性组合的结果。我想这是指
浏览 0提问于2015-08-27得票数 2
回答已采纳
1回答
我研究过向量自回归( VAR )，当所有变量之间存在线性关系时，VAR预测多个输出值(连续)。我想用神经网络来做这件事，这样我也可以包括变量之间的非线性关系。
是否有任何特定类型的神经网络可用？
如果不是，我如何使用NN实现它？
浏览 0提问于2018-06-14得票数 1
1回答
用感知器进行线性回归
、、、
我想知道线性回归和感知器之间的联系！使用感知器作为二进制分类器，即对二进制标签(0或1 )进行分类。
我的问题是，如何用感知器进行线性回归，其中的联系是什么？
我认为，这一点是隐藏在激活功能，我们正在应用于感知器！
如果您能帮助我了解初学者对神经网络的看法，我将不胜感激。
浏览 0提问于2020-10-21得票数 1
回答已采纳
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
我要做的是让一个神经网络‘学习’函数f(x) = x^2，我是基于这里的代码源代码。如果这有帮助的话，神经网络是用c#手工编码的(使用双倍)。
其思想是，我给网络对的reals，(例如(1,1)，(2，4)，(3,9))，然后让网络，然后输出正确的平方，当给一个看不见的实数。输入由一个具有实值的输入神经元给出，输出由输出层(也是一个神经元)输出。隐层内有4个神经元。
我的问题是输出神经元的输出介于0到1之间(我使用的是sigmoid函数)。我从源学习神经网络，它们输出离散值(要么手写图像表示0，1 .或9)。我的方法是使用一个函数tan(pi*(2x-1))/2和它的逆函数。这个映射(0,1)
浏览 2提问于2016-07-06得票数 1
回答已采纳
假设存在二进制分类问题和相对较小的数据集($\sim \mathbb{R}^{5000 \x39}$)。通过使用常用的ML技术，从logistic回归开始，根据模型的不同，我可以在验证样本上达到~0.76~0.79 AUC。因此，从模型中可以明显地提取出一些重要的信号。
然而，当尝试一个最简单的顺序神经网络时，它根本不学习。
也就是说，使用R：(NB: AFAIK )中的keras语言不应该是个问题，因为它只是R的包装)
model <- keras_model_sequential() %>%
layer_dense(units = 48,
浏览 0提问于2018-06-25得票数 3
我正在建立一个神经网络来解决回归问题。输出是一个单一的数值。
不幸的是，输出被审查:0以下的值被记录为0，而正值保持不变。
对于输出层(可能是ReLU)，应该使用什么激活函数？如何定义损失函数，我应该只使用RMSE吗？(因为输出是被删失的，所以我们希望神经网络能够生成0输出和正值)。
编辑1：
该问题是基于多输入变量的电力需求时间序列预测问题。只有高于某一阈值的值才会被记录下来，因此输出被审查。我们有大量的数值/分类输入变量:一天中的时间、气温、一周中的天数、假日/工作日等，我们希望建立一个基于输入变量的神经网络模型来预测电力需求(0或正)。
浏览 0提问于2018-04-04得票数 1
回答已采纳
1回答
当我需要解决回归任务并使用尽可能少的实例时，我遇到了一些问题。当我尝试使用Xgboost时，我必须提供4个实例才能获得合理的结果。但是，多层感知器调整以克服回归问题必须采取20个实例，试图改变神经元的数量&层，但答案仍然是20 .Is有可能做一些事情，使神经网络解决回归任务从2到4个实例？如果是-请解释一下我应该做些什么才能成功？也许在需要多少实例来训练并从感知器中获得合理的结果与数据集内的特征如何有价值之间存在某种相关性？
提前感谢您的帮助
浏览 5提问于2017-07-31得票数 0
1回答
基于神经网络的线性回归
、、、
我正在用下面的样本训练数据处理一个回归问题。
如图所示，我只输入了4个参数，其中只有一个参数在变化，即Z，因此其余参数没有实际值，而从O1到O124的124个参数的输出指出，O1的变化速率为201000，然后是1020，然后是1040 .虽然O2以不同的速率变化，即30，但对于所有的124个输出来说仍然是不变的，所有的变化都是线性的。
我认为这是一个很小的问题，一个非常简单的神经网络模型将达到100%的测试数据的准确性，但结果正好相反。
我使用线性回归器达到100%的测试精度，使用KNN回归器达到99.99997%的测试精度。
我使用relu激活的10层神经网络测试数据的准确
浏览 1提问于2018-10-23得票数 0
2回答
哪一个更适合于回归问题，创建一个带有tanh/sigmoid和exp(类)激活或ReLU和线性的神经网络？标准是使用ReLU，但它的蛮力解决方案，需要一定的网络大小，我想避免创建一个非常大的网，也是乙状结肠更可取，但在我的情况下，回归将输出值范围(0，1e7).也许用线性头的乙状结肠网也能工作？我对你对这个问题的看法很好奇。
浏览 0提问于2019-03-21得票数 7
回答已采纳
问题
对于每个不同的激活函数，损失函数是什么？
背景
神经网络损失函数的选择取决于神经网络的激活函数。对于乙状结肠激活，交叉熵日志丢失导致权值更新z(z - label) * x的简单梯度形式，其中z是神经元的输出。
这种简单的日志丢失是可能的，因为乙状结肠的导数使它成为可能，在我的理解。乙状结肠以外的激活函数不具有乙状结肠的这种性质，这与日志丢失不是很好的组合。那么ReLu，ELU，SELU的损失函数是什么？
📷
参考资料
二元交叉熵的导数-为什么我的符号不对？
浏览 0提问于2020-12-05得票数 2
回答已采纳
1回答
对于深层神经网络的验证，大多数算法都要求每个层(如Reluplex)都有ReLU激活函数。
我有一个包含0和1类的二进制分类任务。我看到的主要问题是，ReLU不像Sigmoid或Softmax激活函数那样绑定到0，1。
如何在最后一层使用/训练带有ReLU的DNN，用于一个输出单元的二进制分类任务？什么损失函数能起作用？
还是我必须把我的问题从分类重新表述为回归？
浏览 0提问于2022-07-14得票数 0
1回答
神经网络线性与非线性
、、、
我打电话是对的吗？
一个只有输入和输出层(sigmoid)为线性的神经网络(因为它是logistic回归)。
一种具有多个隐层的神经网络，非线性(因为权值与隐层的输出相互作用，并且在线性回归中无法像op = w2x1+w2x2+b那样写入输出)？
请不要将此标记为重复，因为没有一个问题实际上回答了这里提出的问题。谢谢。
浏览 0提问于2021-06-18得票数 1
回答已采纳
2回答
我用logistic回归法解决了泰坦尼克号问题，现在我要用神经网络来解决这个问题。但我的模型总是返回1，这意味着幸存了。对于每一个测试输入。也许我的模型有问题。我怎么能解决这个问题？
train_data = pd.read_csv('data/train.csv')
test_data = pd.read_csv('data/test.csv')
#Some data cleaning process
#......
X_train = train_data.drop("Survived",axis=1).as_matrix()
Y_tr
浏览 1提问于2018-07-11得票数 2
回答已采纳
1回答
在回归问题的神经网络中，我们发现连续标号与输出激活函数一致，即在使用logistic sigmoid时对它们进行规范化，或者在使用tanh时对它们进行调整规范化。在最后，我们可以恢复原来的范围，但使输出神经元恢复正常。
我们是否也应该规范输入特性？又是如何做到的？例如，如果隐藏激活与输出激活不同？例如，如果隐藏激活是TANH，而输出激活是逻辑的，那么应该将输入特征归一化为0、1或-1间隔吗？
浏览 4提问于2013-10-11得票数 3
回答已采纳
我在研究机器人，这是一个用来建模，编程和模拟移动机器人的环境。基本上，我有一个带有VGA摄像头的小机器人，它在一个小乐高迷宫的白色墙壁上寻找简单的蓝色图案，并相应地移动。
我在这里使用的方法是
从机器人中获取模式的图像，并将其保存在PC中的某个位置。
检测蓝色图案，形成一个方格，该图案至少有2条边缘是正方形边界的一部分。
将其调整为7x7矩阵(使用最近邻插值算法)
网络的输入只是7x7图像中每个图像的红色像素强度(当我通过红色过滤器查看蓝色像素时，它看起来是黑色的)。提取每个像素的强度，然后将7x7矩阵转换为1D向量，即1x49，这是我对神经网络的输入。(我选择了这个特
浏览 4提问于2014-08-08得票数 1
3回答
我有一个数据集，包含135个输入特性和132个要预测的输出值。输入特性都是数值浮点值，每个输出值都是0,1,2,3,4之间的整数。
我对数据科学和机器学习基本上是新手，因此我需要了解哪种神经网络模型(回归或分类)最适合这类数据。一方面，输出值表示不同的类，但我不确定单个神经网络如何能够从相同的输入数据中预测多个类。
浏览 0提问于2018-10-03得票数 7
回答已采纳
1回答
神经网络背后的激励思想似乎是他们学习了应用逻辑回归的“正确”特征。线性回归有没有类似的方法？(或者只是一般的回归问题？)
做一件显而易见的事情，移除对所有神经元(即，包括隐藏层)的sigmoid函数的应用，是否有意义/可行？(即，每个神经元执行线性回归，而不是逻辑回归)。
或者，只将输出值缩放到0,1的做法(可能更明显)会起作用吗？(直觉上我不这么认为，因为sigmoid函数似乎会导致网络任意偏爱极值)(编辑:虽然我只是搜索了更多，并看到一种技术是基于均值和方差进行缩放，这似乎可以解决这个问题-所以这可能比我想象的更可行)。
或者，有没有其他技术可以用来对回归问题进行“特征学习”？
浏览 1提问于2013-12-28得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
