我真的不知道如何表达这个问题，所以请多多包涵。。
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。我提供有关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，神经网络对跑步者进行评分，我可以给网络一个输入，比如比赛天气吗？例如，我给网络 1.00 表示热，2.00 表示冷，3.00 表示 OK .. ?
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，这意味着获胜百分比输入越高，评分就越高。如果我给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？
如果问题没有意义，请告诉我！
神经网络所做的是映射输入和输出之间的关系。这意味着你必须为你的神经网络设定某种目标。此类目标的示例可以是“预测获胜者”、“预测每个跑步者的速度”或“预测比赛的完整结果”。当然，您可以尝试哪些示例取决于您有哪些可用数据。
如果您有一个大型数据集（例如，每个跑步者有几百场比赛），其中记录了结果时间和所有预测变量（包括天气），并且您确定天气与单个跑步者的表现之间存在关系，神经网络将能够很好地映射这种关系，即使它是每个跑步者的不同关系。
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（注意这种方法需要每个跑步者一个神经网络）。
神经网络可以正确建模不相关的输入（通过为其分配低权重）和与所需输出成反比的输入（通过分配负权重）。神经网络在输入不断变化的情况下做得更好，所以你的例子1.00 for hot, 2.00 for cold, 3.00 for OK ..并不理想：更好的是0.00 for hot, 1.00 for OK, 2.00 for cool.
在没有真正连续关系的国家代码等情况下，最好的编码（从收敛的角度来看）是使用一组布尔属性 ( isArgentina, isAustralia, ..., isZambia)。尽管如此，即使没有这些，神经网络也应该能够对离散值的输入进行建模（即，如果国家相关并且将它们编码为数字，那么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时间。
神经网络的全部意义在于在难以进行简单统计分析的情况下使用它们，所以我不同意另一个答案，即你应该预先判断你的数据。