ANN与预测

Question

我有一张物品清单。每个对象都包含经度、纬度和单词列表。

我想做的是根据对象中包含的文本来预测位置(类似的文本应该有相似的位置)。现在，我使用余弦相似性来计算物体之间的相似性，文本，但我被困在如何利用这些信息来训练我的神经网络。我有一个矩阵，其中包含每个对象以及每个单词在该对象中出现的时间。F.x。如果我有这两件东西

Obj C:   54.123, 10.123,   [This is a text for object C]
Obj B:   57.321, 11.113,   [This is a another text for object B]

然后我得到了类似于下面的矩阵

       This is a text for object C another B
ObjC:   1   1  1   1   1    1    1   0     0
ObjB:   1   1  1   1   1    1    0   1     1

对于两个对象之间的距离，我也会有类似的东西(注意，数字不是真实的)。

        ObjC    ObjB
ObjC    1       0.25
ObjB    0.25    1

我已经研究过如何使用神经网络将事物分类(如A，B，C)，或者预测像房价这样的东西，但是我发现没有任何东西对我的问题有帮助。

如果它在某个距离内，我会考虑正确的预测，因为我处理的是位置。这也许是个愚蠢的问题，但有人给我指明了正确的方向。

Answer 1

看起来，您正试图用相同的输入来预测两种不同的事物(纬度和经度)。因此，这是一个预测多输出的问题。然而，它是很容易理解的基本只有一个输出。我会用这种方式来描述。

比方说，您的目标只是一个变量Y，这是您的位置。转换后(可能是TF)，您有一个功能矩阵X，其中一行表示一个示例，一个列表示一个特性。您现在需要做的是使用输入X和目标Y来训练ANN。这就是安的训练方式：

1. 它将随机启动输入和网络外部的权重矩阵。如果只有一个隐藏层，那么权重矩阵的数目是2。
2. ANN将通过某种激活函数传递您的输入，从它们获得一些输出，然后将这些输出转发到输出层以供进一步处理。查找一些关于实际数学的教程。但这就是直觉。
3. 最后，基于权值和进一步的处理，神经网络将产生一定的输出。在大多数情况下，在第一次迭代中，它们不能在可接受的范围内。因此，ANN需要对随机选取的权重进行细化。这就是反向传播算法开始的地方。它使人工神经网络能够学习最合适的权重，从而得到最佳的预测结果。
4. 这种反向传播算法需要一个代价函数，它试图最小化代价函数。这个成本函数通常是均方根误差函数。但是根据你的选择，这个成本函数可以是任意的。成本函数(大部分)需要两个输入。其中一个是您的真实位置(根据培训/验证数据)，另一个是ANN在处理后得到的预测位置。当人工神经网络试图最小化预测输出和真实输出之间的差异时，它为网络找到了合适的权重。
5. 当成本函数的错误减少到所需的值(或通过了预定义的迭代次数，或达到了容忍级别)时，ANN停止训练，并返回那些学习到的权重矩阵。
6. 一旦您有了这些最终的权重矩阵，您就可以将它们应用于任何新的数据来获得预测。这些重量矩阵是你的神经网络。

由于您有多个输出问题，您需要一个ANN的实现，它同时支持最小化两个错误。这类似于多目标优化。Python在这里可以帮你。有关使用的详细信息，请参阅此sknn.mlp文档。它将接受多个输出，每个输出在目标矩阵中各自的列上。因此，您的Y将是形状n * 2，其中n是数据集中的样本数。只需使用上述格式的现有fit和Y调用X方法即可。一旦训练完成，你就得到了你的最小可行的神经网络。如何优化ANN的性能则是另一回事:)