我一直在阅读 ANN 的概念，以便将其应用于我的项目（信用卡欺诈检测）。给定一组网络输入，比如：
这些输入中的任何一个偏离“规范”越多，该输入对网络的权重就越大。我的问题来了，神经网络如何处理一个输入的权重（比如 A1）很高而所有其他权重都很低的情况？
【问题讨论】：
标签： machine-learning neural-network
输入概率密度函数组合形成多维概率分布（通常是多维的椭球）。输入的组合是一个向量，N 空间中该点的概率值告诉您它是真还是假的可能性有多大。这适用于每个轴，其中除了一个输入之外的所有输入都为零，以及所有变量都具有重要值的地方。如果您的所有输入都具有平滑的高斯概率分布，那么您得到的概率分布是超椭球体，您实际上并不需要神经网络。
当您在一个或多个变量中具有复杂的概率密度时，或者如果组合变量会在概率密度中产生意想不到的特征（空洞和凹凸），则使用神经网络会更经济。然后在大量真实输入组合和已知结果上对神经网络的训练告诉它输入空间的哪些区域是有趣的，哪些区域是平凡的。同样，如果你有足够的内存，你可以自己将它们映射到一个高分辨率的大 N 维数组中，但那有什么乐趣呢？神经网络还将在区域之间平滑插值，这可能使其决策比实际概率空间更加模糊（即准确度指标下降到 100% 以下）。
【讨论】：