Çoklu Çıktı Regresyonu için Sinir Ağı

34 giriş sütun ve 8 çıkış sütun içeren bir veri kümesi var.

Sorunu çözmenin bir yolu, 34 girişi almak ve her bir çıkış sütunu için bireysel regresyon modeli oluşturmaktır.

Bu sorunun özellikle Sinir Ağı kullanılarak sadece bir model kullanılarak çözülüp çözülemeyeceğini merak ediyorum.

Çok Katmanlı Perceptron kullandım ama bunun doğrusal regresyon gibi birden fazla modele ihtiyacı var. Sekanstan Sekansa uygulanabilir bir seçenek olabilir mi?

TensorFlow kullanıyorum. Kodum var ama çok katmanlı algılayıcı teorisi açısından neyi kaçırdığımı anlamanın daha önemli olduğunu düşünüyorum.

MLP'de bir çıkış düğümü varsa bir çıkış sağlayacağını anlıyorum. 10 çıkış düğümünüz varsa, bu çok sınıflı bir sorundur. 10 çıkıştan en yüksek olasılıklı sınıfı seçersiniz. Ama benim durumumda, aynı giriş için 8 çıkış olacağı kesindir.

Diyelim ki bir dizi girdi için bir şeyin 3B koordinatını elde edeceksiniz (X, Y, Z). Gibi, Girdiler = {1,10,5,7} Çıktı = {1,2,1}. Aynı giriş için {1,10,5,7} X değeri Y değeri ve Z için modeller yapmam gerekiyor. Bir çözüm, MLP kullanan 3 farklı modele sahip olmak. Ama bir modele sahip olup olamayacağımı görmek istiyorum. Bu yüzden seq2seq kullanmayı düşündüm. Çünkü kodlayıcı bir dizi girdi alır ve kod çözücü bir dizi çıktı sağlar. Ancak tensorflow'daki seq2seq şamandıra değerlerini işleyemiyor gibi görünüyor. Bu konuda yanlış olabilirim.

Açıkladığınız şey normal çok boyutlu doğrusal bir regresyon. Bu tür bir sorun normalde, MLP veya sorunun doğasına uyan diğer herhangi bir mimari ile bir ileri beslemeli ağ ile giderilir.

Herhangi bir sinir ağı çerçevesi böyle bir şey yapabilir.

Bunu yapmanın anahtarı, son katmanın doğrusal aktivasyonlara sahip olması gerektiğini hatırlamaktır (yani aktivasyon olmaması).

Gereksinimlerinize göre, giriş katmanının şekli bir vektör (34,) ve çıkış (8,) olacaktır.

Güncelleme : regresyon problemleri için kullanılan normal kayıp fonksiyonu ortalama kare hatasıdır (MSE). İşte Keras kullanan çok boyutlu regresyon örneği ; ağ bir MLP değildir, ancak fikri göstermek için Tamam olmalıdır.

Bunu çok basit bir şekilde Python'da uygulayabilirsiniz.
X'iniz x, y, z eğitim koordinatlarının koleksiyonu olacaktır.
Y'niz, x, y, z koordinatlarını test etme koleksiyonu olacaktır.

from sklearn import cross_validation                     
from sklearn.neural_network import MLPRegressor   

model = MLPRegressor(solver='lbfgs',alpha=0.001,hidden_layer_sizes=(150,))
cross_validation.cross_val_score(model, X, Y,scoring='mean_squared_error')

Bu düşündüğünüzden çok daha kolay - çıktı katmanınızı tek bir skaler yerine bir vektör olacak şekilde ayarlayabilirsiniz. Tabii ki burada sihir yok ve verilerinizi hazırlamanızı tavsiye ediyorum (toplu çıkış normalleştirmesi yapın, böylece tüm çıktılar 0 ile 1 arasında değerler olacaktır).

Keras kullanıyorsanız, bunu yapmanın yolu son çıktı katmanı olarak yoğun bir katman eklemektir: model.add(Dense(8, activation='linear'))