在表类型的数据上训练神经网络答案

【问题标题】：Train Neural Networks on a Data of type Table在表类型的数据上训练神经网络
【发布时间】：2014-10-22 09:01:10
【问题描述】：

我加载了一个包含 2000 个实例的巨大 CSV 文件，其中包含数值和有限的文本值（某些属性的值如“是”、“否”、“可能”。上述数据是在 Matlab 中使用 readtable 导入的。我想根据上述数据训练神经网络。

我使用了神经网络 gui，但我无法将新表视为加载数据的选项之一。

因此，我计划为每个属性的文本值分配特定的数值（每个“是”为 1，每个“否”为 0）并将其设为矩阵，以便 GUI 识别我的数据。

或者有没有更好的方法来根据上述数据训练神经网络。

【问题讨论】：

您可能正确地解决了这个问题。无论如何我都会这样做。

标签： matlab neural-network numeric

【解决方案1】：

您的想法不仅是正确的方法，而且是唯一的方法。神经网络使用数字，因此必须将标称值映射到数字才能工作。但是，您应该注意一件事：输入形式和间隔的每个属性的范围。如果您对属性进行规范化，则范围无关紧要。因此，如果您选择是/否，您可以将它们映射到 0/1、1/0 或 -100/200。没关系，因为它们是它们形成的区间的两端。

但是，通常标称值会形成一个范围。在这种情况下，您创建的数值的顺序应保留标称值的顺序。所以在你的情况下，如果你有“否/可能/是”，它们应该映射到 [1,2,3] 或 [-1, 0, 1] 或 [100, 0, -100] 或其他任何保留顺序。然而，如果你使用映射[no->0, yes->1,maybe->2]，网络并没有正确地将名义排序映射到数值区间，因此该属性给网络提供了错误的信息

【讨论】：

是的，订购也很重要。

【解决方案2】：

警告：当您在一个名义类别中有超过 2 个选项并且您不知道它们如何分布时，-1,0,1 只有在您假设该类别中的线性趋势时才可行。我的意思是，“也许”与“是”和“否”的距离相同。如果不能，那么创建 3 个二进制变量（“yes”、“no”和“maybe”）更可行。

【讨论】：