假设我希望预测一个二元类 {0, 1}。其中一个特征 x 是实数。神经网络能否生成一个模型，使得如果 a < x < b(给定 a、b 是实数，使得 a < b)，该模型就预测类别 1，否则预测类别 0？
一般来说，如果我们希望 x 在 (a1, b1) union (a2, b2) union (a3, b3) 中预测类别 1 ... 其中a1 < b1 < a2 < b2 < a3 < b3 ...，是否可以通过神经网络实现这一点？ (使用的神经元/层数没有限制)
编辑:您还可以给出一个数字示例作为说明吗？
最佳答案
您可以学习a < x < b与 1x2x1网络(输入层有一个神经元，隐藏层有两个神经元，输出层有一个神经元)。隐藏层神经元之一表示 a < x另一个代表x < b 。输出神经元是一个逻辑OR隐藏层神经元的数量。
将此概括为 N对(a, b)值，您至少需要 2 * N隐藏层中的神经元。可以使用更少的隐藏层神经元来完成(例如，如果 a 或 b 值中的一些不是唯一的)，但实际上，最好使用大于 2 * N 的数字。并让学习过程中不必要的权重趋于零。
您还可以使用多个隐藏层来了解更一般的情况，但这是否比单个隐藏层更好可能取决于(a, b)对是分布式的。
关于machine-learning - 通过神经网络从特征中分段进行分类，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/25976534/