Ho svolto ricerche sulle reti neurali e il concetto e la teoria nel suo complesso hanno senso per me. Sebbene l'unica domanda che mi è stata data, a cui non sono ancora stato in grado di trovare una risposta, è il numero di neuroni che dovrebbero essere usati in una rete neurale. per ottenere risultati corretti/efficienti. Compresi i livelli nascosti, i neuroni per livello nascosto, ecc. Ne conseguono più risultati necessariamente accurati (pur essendo più onerosi sul sistema) o meno neuroni sono ancora sufficienti? C'è una sorta di regola governativa per aiutare a determinare quei numeri? Dipende dal tipo di algoritmo di allenamento/apprendimento che viene implementato nella rete neurale. Dipende dal tipo di dati/input che vengono presentati alla rete?Determinazione della quantità corretta di neuroni per una rete neurale
Se è più semplice rispondere alle domande, molto probabilmente userò feedforwarding e backpropogation come metodo principale di allenamento e previsione.
In una nota a margine, esiste un algoritmo di predizione/regola di attivazione o algoritmo di apprendimento che è generalmente riportato come "il migliore/il più pratico" o che dipende anche dal tipo di dati presentati alla rete?
Grazie a tutti gli utenti, è sempre apprezzato!
MODIFICA: per quanto riguarda il tag C#, questa è la lingua in cui metterò insieme la mia rete neurale. Se quell'informazione aiuta affatto.
* Se riesci a immaginare un intero libro che risponda alla tua domanda, stai chiedendo troppo. * Http://stackoverflow.com/faq#dontask Inoltre, non vedo come questo abbia qualcosa da fare con C#. –
Vedere http://stats.stackexchange.com/questions/181/how-to-choose-the-number-of-hidden-layers-and-nodes-in-a-feedforward-neural-netw –
@ 0xA3, great collegamento. Questa domanda potrebbe non essere abbastanza specifica per SO, ma solo alcuni pensieri: la dimensione della rete neurale è dettata dalla complessità della funzione o del classificatore che rappresentano. Inoltre, sì, è possibile avere troppi neuroni: nella classificazione può portare al sovradattamento e alla perdita di un modello generalizzato. – nicholas