在Weka中训练多层感知器

Question

我正在使用Weka实现分类算法。我在和多层脉冲加速器打交道。我在训练模特的时候有些怀疑。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。

我正在附上一些截图。

​

​

​

]

​

​

我采用了5倍交叉验证法。

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

对于第一张截图，a应该是(No.)/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。但是我们可以看到隐藏层中的5个节点。为什么实际节点和计算节点之间存在不匹配？

其次，如果我们考虑前两个截图，我们可以看到年龄在模型中使用了三个不同的值，即年轻，预早熟，早熟。然而，属性眼镜处方有两个不同的值，即myope和hypermetrope，但用于训练模型的值只有一个。其他值myope呢？对其他属性也提出了同样的疑问。

一个简短的解释是有帮助的。

Answer 1

默认情况下，MultilayerPerceptron将无监督NominalToBinary筛选器应用于输入数据，这将增加非二进制名义属性的属性数。这就解释了隐藏层中节点的不同数量。

另外，二进制标称属性可以仅用一个节点建模(阈值以下是一个标签，高于阈值则是另一个)-- NominalToBinary及其默认设置不会更改这些类型的属性。