【问题标题】：Neural network example to classify multi-dimensional features into two sets将多维特征分为两组的神经网络示例
【发布时间】：2011-04-18 18:05:57
【问题描述】：

我正在寻找一个很好的监督神经网络源代码示例，它接受两个以上的特征（与大多数 XY 示例不同）并将数据分为两组。根据我的阅读，Support Vector Machine (SVM) 可能是一个解决方案？

我发现的所有分类示例都是二维的。以下是一些：

我正在尝试将罕见事件与许多通常稳定的输入区分开来。特征是键值对，其中的值通常可以离散化为一个小数。第一类的可用训练数据非常庞大，但第二类只有很少的训练集，如果这会有所不同的话。

示例训练集

A 类

[2, 1, 0, 1, 4, 3] -> A  
[1, 1, 2, 3, 3, 0] -> A
[0, 0, 1, 3, 2, 0] -> A

[0, 4, 4, 4, 4, 3] -> B

[1, 3, 4, 4, 4, 0] -> ??? (probably B)

信心评级，例如。 “85% 确定 B”有助于区分罕见事件的阈值。

神经网络是最好的解决方案吗？是否有任何内置的 .NET 库？

【问题讨论】：

【解决方案1】：

SVM 是 n 维的 - 只是示例通常是 2D 的，因为一旦超过 3 个，解决方案就不再适合 2D 插图了。

它只有两个输出类（通常是 Good 和 Bad），但它有许多你喜欢的特性。这就是为什么分割两个 SVM 类的线称为“超平面”的原因，因为它存在于多维空间中——每个特征对应一个维度。

【讨论】：

【解决方案2】：

实际上，所有这些机器学习技术都有其优点和缺点。在使用 NN（单层感知器）时，需要考虑是否有足够的训练数据。从技术上讲，您需要能够覆盖维度内的所有单元格才能获得良好的结果。

另一方面，SVM 会尝试找到分隔数据点的边界，因此如果您在不靠近该边界的区域中存在间隙，那很好。

围绕 +/- boosting 有 5-6 个分类器，老实说，似乎大部分时间类型的分类器都是主观选择的。另一方面，有些人使用多个分类器并比较结果。

使用 OpenCV，插入不同的分类器非常容易，因此您在正确的轨道上使用它。我在我的项目中使用了 C++ 中的 OpenCV 和 NN 分类器，结果非常好：

【讨论】：