在 Weka 中训练多层感知器答案

【问题标题】：Training a multilayer perceptron in Weka在 Weka 中训练多层感知器
【发布时间】：2021-12-15 10:19:02
【问题描述】：

我正在使用 Weka 来实现分类算法。我正在处理多层感知器。我在训练模型时有一些疑问。我使用了 Weka 中已有的玩具数据集。数据集的名称是contact-lenses.arff 和weather.nominal.arff。

我附上一些截图。

]

我使用的是5折交叉验证方法。

根据 weka 中对隐藏层的定义，There are also wildcard values: 'a' = (attribs + classes) / 2, 'i' = attribs, 'o' = classes , 't' = attribs + classes.

对于第一个屏幕截图a 应该是（属性数量 + 类）/2 = (4+3)/2 = 7/2 = 3.5 = 4

所以我们可以看到隐藏层中的 4 个节点。

现在对于屏幕截图 3，(4+2)/2 = 3。但我们可以看到隐藏层中有 5 个节点。为什么实际节点和计算节点不匹配？

其次，如果我们考虑前两张截图，我们可以看到年龄在模型中使用了三个不同的值，即年轻、近视、远视。然而，spectacle-prescrip 属性有两个不同的值，即 myope 和 hypermetrope，但只有一个值 hypermetrope 用于训练模型。 myope 的其他值呢？对其他属性也提出了同样的疑问。

简要说明会有所帮助。

【问题讨论】：

标签： machine-learning neural-network weka perceptron

【解决方案1】：

默认情况下，MultilayerPerceptron 将unsupervised NominalToBinary 过滤器应用于输入数据，这将增加非二元名义属性的属性数量。这解释了隐藏层中不同数量的节点。

此外，二元标称属性可以仅使用单个节点建模（低于阈值的是一个标签，高于阈值的是另一个标签） - 而 NominalToBinary 的默认设置不会更改这些类型的属性。

【讨论】：

我没有明白你的意思。我从stats.stackexchange.com/questions/48100/… 找到了 NominalToBinary 传输方法。如果这是方法，它怎么能增加属性的数量？对于答案的第二部分，您能否更准确地解释一下？
我在我的答案中链接了 NominalToBinary 过滤器的 Javadoc，让您可以阅读它。只需在预处理面板中选择该过滤器，然后查看输入数据会发生什么。一个神经节点（例如一个 sigmoid）有两个状态，就像一个二元属性 - 我不确定什么是不理解的......
我无法理解我的问题的第二部分。为什么选择某个属性的某些答案而丢弃某个属性的其他答案？
二进制属性att1 有两个值，例如A 和B。假设为att1=A 构建了一个节点，则在激活节点时选择标签A，在未激活时选择B。没有任何东西被丢弃，两个标签 = 两个状态（开/关）。
我对模型进行了多次训练，但总是得到这组属性值。因此，您定义为未激活的部分（如 B），我从未将停用的一堆值作为激活的一堆值。