我有以下两个特征向量:
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
0.2567 0.2567
0.0105 0.0105
0.0000 -0.0000
-0.0000 0.0000
0.0000 0.0000
让我们将第一个称为 A
,将第二个称为 B
。 A
用于学习神经网络,如果您再次将其应用到神经网络,它将给出以下输出:
1.0000
0.0000
-0.0000
但是如果您应用特征向量B
,则以下输出将给出:
-0.2475
1.0524
0.5106
这种形式的结果有何不同!特征向量相同(除了零处,零的符号不同)
最佳答案
任何模型都可以在这两个实例上进行类似的操作。您的问题非常广泛,因此我仅列出您应该考虑的一些事项。
- 数据标准化和缩放
申请 feature scaling 可能会有更好的运气或mean normalization您的数据。
- 检测过度拟合
使用cross validation的方法(通常使用 10 折交叉验证)来检测您是否过度拟合:如果训练折叠的准确度远高于测试折叠的准确度,那么您就过度拟合了训练数据。
交叉验证还可用于调整模型参数以获得最佳性能:只需在每次调整后重新运行交叉验证过程即可。
- 解决过度拟合
使用正则化通常可以解决过度拟合问题。您可以使用多种方法进行正则化,因此您应该进行一些搜索。
获取更多数据不太可能正确解决问题,而且通常不值得花时间。如果可以的话就这样做,但这并不是解决过度拟合问题的 Elixir 。
关于machine-learning - 神经网络对于输入过于敏感,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28902484/