问题标签 [mlp]

我正在使用C++ DLib训练一个简单的 MLP（输入层中有 8 个单元，隐藏层中有 50 个单元），并使用以下 89 个样本作为训练数据：

其中第一行标记为 1 (template_user[0])，其他行标记为 0 (template_user[1] 到 template_user[88])。

当我尝试预测一个标签时，我总是得到 1（或非常接近 1）到基本上任何正输入特征向量。如果我传递带有负值的向量，我看到训练模型预测标签 0 的唯一方法。知道为什么会这样吗？也许 MLP 实现不喜欢标准化十进制值作为输入？

以下是我的完整代码：

这是输出的最后一部分：

我是机器学习的新手，我正在使用 MLPRegressor。我用

然后我制作并拟合模型，对测试集使用 10 倍验证。

问题是我收到的测试分数非常负（-4256）。有什么可能是错的？

我有 2000 多个 ANN 数据集。我已经在其中应用了 MLPRegressor。我的代码工作正常。但是对于测试，我想修复我的测试值，例如我有 50 个数据集。从那我想测试前 20 个值。如何在代码中解决这个问题？我使用了以下代码。

我试图用 sigmoid 激活实现多层感知器。下面是代码：

然而问题是网络饱和输出任何输入的所有训练输出的平均值。例如，在上述情况下，y_train 平均值约为 0.5，无论我向网络提供什么“test_x”值，输出始终在 0.5 左右。

代码中的问题可能出在哪里。我在算法中遗漏了什么吗？帮助表示赞赏

我正在使用 python MLP 模型开发时间序列预测模型。我的训练样本有 550 个事件和 9 个变量。我有一个单独的文件用于测试。我想在 t+1 预测 9 个变量之一。由于它是一个时间序列，我为 X (547, 3, 9) 做了 3 个事件的 547 个部分，每次步行一次。并且 y (547,) 是 t+1 时的一个变量。

ValueError：检查模型输入时出错：您传递给模型的 Numpy 数组列表不是模型预期的大小。预计会看到 1 个数组，但得到了以下 547 个数组的列表：

我想在我的数据集中的 MLP Regressor 中实现交叉验证。我想知道我的代码是否正确？这是交叉验证的方式吗？这是我的示例数据：

这是我的代码：

我是 pytorch 的新手并试图创建一个模型，但我收到了这个错误，

这是我的代码：

我们有 5 个训练样本和 2 个测试样本。

MLP的绑定方法Module.named_modules（（fc1）：线性（in_features = 7，out_features = 100，bias = True）（fc2）：Linear（in_features = 100，out_features = 7，bias = True））

我正在从事一个文本挖掘项目，我使用标记的推文数据集（是或否与地震相关的推文包括 8000 个样本）来训练 Naive、MLP（深度学习）LibSVM 分类器来分类（是或否）未标记的推文（28000 个样本) 在 RapidMiner 上。以下是三种机器学习算法的结果：

幼稚的

准确度= 80%

标记为“是”的推文数量= 6056

MLP

准确度= 86%

标记为“是”的推文数量= 2300

支持向量机

准确度= 92%

标记为“是”的推文数= 53

我的问题是为什么标记的推文的数量有很大的不同？

我正在使用机器学习制作国际象棋引擎，但在调试它时遇到了问题。我需要帮助找出我的程序出了什么问题，如果有任何帮助，我将不胜感激。

我进行了研究，并从多个成功的项目中借鉴了想法。这个想法是使用强化学习来教 NN 区分强弱位置。

我收集了 300 万个 Elo 超过 2000 的游戏，并使用我自己的方法来标记它们。在研究了数百场比赛后，我发现，可以肯定的是，在任何一场比赛的最后 10 个回合中，平衡都不会改变，获胜的一方具有很强的优势。因此，我从最后 10 个回合中选择了位置并制作了两个标签：一个代表白色获胜，一个代表黑色获胜。我没有包括任何平局位置。为了避免偏见，我为双方选择了偶数个标有胜利的位置，并为下一轮选择了偶数个双方的位置。

我用一个长度为 773 个元素的向量表示的每个位置。棋盘上的每一格，连同易位权和下一回合，我都用 1 和 0 编码。我的顺序模型有一个包含 773 个神经元的输入层和一个包含一个神经元的输出层。我在第 1、2 和 3 层分别使用了具有 1546、500 和 50 个隐藏单元的三层隐藏层深度 MLP，每层的 dropout 正则化值为 20%。隐藏层与非线性激活函数 ReLU 连接，而最终输出层具有 sigmoid 输出。我使用二元交叉熵损失函数和所有默认参数的 Adam 算法，学习率除外，我设置为 0.0001。

我使用了 3% 的职位进行验证。在前 10 个 epoch 中，验证准确率逐渐从 90% 上升到 92%，仅落后于训练准确率 1%。进一步的训练导致过度拟合，训练准确率上升，验证准确率下降。

我在多个位置上手动测试了训练好的模型，结果很糟糕。总体而言，该模型可以预测哪一方获胜，如果那一方有更多的棋子或棋子靠近转换方格。它也给下一个回合的一方带来了小优势（0.1）。但总体来说意义不大。在大多数情况下，它非常偏爱黑色（约 0.3）并且没有正确考虑设置。例如，它将起始位置标记为 ~0.0001，就好像黑方几乎有 100% 的机会获胜。有时，不相关的职位转换会导致评估的不可预测的变化。每边的一个国王和一个后通常被视为白棋的失势（0.32），除非黑王在某个方格上，即使它并没有真正改变棋盘上的平衡。

我为调试程序所做的工作：

1. 为了确保我没有犯任何错误，我逐步分析了每个位置是如何记录的。然后我在训练之前从最终的 numpy 数组中挑选了十几个位置，并将其转换回来以在常规棋盘上分析它们。

2. 我在同一个游戏中使用了不同数量的位置（1 和 6）来确保使用太多相似的位置不是快速过拟合的原因。顺便说一句，在我的数据库中，即使每个游戏的一个位置也会产生 300 万个数据集，根据一些研究论文，这应该足够了。

3. 为了确保我使用的位置不会太简单，我对它们进行了分析。其中 130 万有 36 分（骑士、主教、车和后；棋子不包括在计数中），140 万 - 19 分，只有 30 万 - 少。

我正在尝试在 R 中编写代码来使用 MLP 神经网络预测美元/欧元的汇率我遇到了函数神经网络的问题，它显示错误：

神经元[[i]] %*% 权重[[i]] 中的错误：
需要数字/复数矩阵/向量参数

这是我到目前为止写的代码

数据集包含 500 行和 3 列，第一列是日期，它包含从 2011 年 10 月到 2013 年 10 月的日期（500 个数据）。第二列是 Wdy，它包含疲软的日子，最后一列是 USD，包含货币汇率。这是我的数据集的示例：