神经网络输入

Question

我真的不知道如何表达这个问题，所以请耐心听我说..

假设我正在开发一个神经网络，用于对田径比赛中的每个跑步者进行评分。我给出关于跑步者的神经网络信息，例如。win%，自上次运行以来的天数等。

我的问题是-在这种情况下，神经网络正在对跑步者进行评级，我可以给网络一个像比赛天气一样的输入吗？例如，我给网络1.00表示热，2.00表示冷，3.00表示正常。？

我问这个问题的原因是:神经网络的输出越大，跑步者就越好。因此，这意味着win %输入越高，评级就越高。如果我给出神经网络输入，值越大并不一定意味着跑步者越好，网络是否能够理解和使用/解释这个输入？

如果这个问题没有意义，请让我知道！

Answer 1

神经网络可以正确地模拟不相关的输入(通过分配低权重)和与期望输出相反的输入(通过分配负权重)。神经网络在处理不断变化的输入时表现得更好，因此您的1.00 for hot, 2.00 for cold, 3.00 for OK ..示例并不理想:最好是0.00 for hot, 1.00 for OK, 2.00 for cool。

在您所在的国家/地区代码中没有真正的连续关系的情况下，最佳编码(从收敛的角度来看)是使用一组布尔属性(isArgentina, isAustralia, ..., isZambia)。然而，即使没有这一点，神经网络也应该能够对离散值的输入进行建模(即，如果国家相关，并且如果您将它们编码为数字，最终神经网络应该能够收敛到87 (Kenya) is correlated with high performance)。在这种情况下，可能需要更多的隐藏节点或更长的训练周期。

神经网络的全部要点是在简单的统计分析很困难的情况下使用它们，所以我不同意另一个答案，即你应该预先判断你的数据。

Answer 2

神经网络所做的就是映射输入和输出之间的关系。这意味着你的神经网络必须有某种目标。这些目标的例子可以是“预测获胜者”、“预测每个跑步者的速度”或“预测一场比赛的全部结果”。当然，您可以尝试哪些示例取决于您有哪些可用的数据。

如果您有一个大型数据集(例如，每个跑步者的几百场比赛)，其中记录了结果时间和所有可预测变量(包括天气)，并且您确定天气和单个跑步者的表现之间存在关系，则神经网络将能够很好地映射这种关系，即使每个跑步者的关系不同。

要记录的良好天气变量的示例可以是太阳强度(W/m2)、逆风(m/s)和温度(摄氏度)。然后，可以使用这些变量对每个跑步者的表现进行建模，然后可以使用神经网络来预测跑步者的表现(请注意，这种方法需要每个跑步者一个神经网络)。