我正在尝试使用带有 KERAS 和 tensorflow 库的 R 来实现稀疏数据的深度学习。我有 20 行乘 26 列的实值数据,范围从 0 到 1000。每行中的元素总和必须接近 1000。其中一些由于值太小而被删除。每个元素都是数量测量。每行如下所示。
第 1 行:3 1.6 0 0 0 0 0 0 0 0 0 10 0.19 0 0 0 3 0 0 7 150 828.01 0 0 0 2.2 0
第 2 行:7.8 13 0 0 0 0 4 6 0 0 13 0 0.19 0 2 0 3.8 0 0 200 750.21 0 0 0 0 0
每个都有沸点测量(分别)
-39 -5 100 15 14 72 52 89 47 51 25 54 100 100 100 54 80 54 86 56 54 55 54 100 100 138
对于每个观察结果(例如第 1 行),我都有一个实际的沸点测量值。例如,第 1 行是 49,第 2 行是 40。目标是根据第 1 行和沸腾测量预测每个观察沸点,然后将其与实际值进行比较。
到目前为止,我的尝试是将模型放入 keras_model_sequentialmodel <- keras_model_sequential()
并使用 relu 作为激活函数。如何使用 tanh 激活函数或 arctan 激活函数对此进行建模?
例如 tanh(row1 /1000) * 沸点 row_1。任何建议或替代方法将不胜感激。