Я пытаюсь создать образец нейронной сети, которая может использоваться для оценки кредита. Поскольку это сложная структура для меня, я сначала пытаюсь изучить их.sigmoid - back распространение нейронной сети
Я создал сеть, использующую обратное распространение - слой ввода (2 узла), 1 скрытый слой (2 узла +1 смещение), выходной слой (1 узел), который использует сигмоид как функцию активации для всех слоев. Я пытаюсь проверить его сначала, используя^2 + b2^2 = c^2, что означает, что мой ввод будет a и b, а целевой вывод будет c.
Моя проблема заключается в том, что мои входные и целевые выходные значения являются действительными числами, которые могут варьироваться от (-/infty, +/infty). Поэтому, когда я передаю эти значения в свою сеть, моя функция ошибки будет похожа на (выход целевой сети). Будет ли это правильно или точно? В том смысле, что я получаю разницу между сетевым выходом (который варьируется от 0 до 1) и целевым выходом (который является большим числом).
Я читал, что решение было бы нормализовать сначала, но я не совсем уверен, как это сделать. Должен ли я нормализовать как входные, так и выходные значения перед подачей их в сеть? Какая нормализация лучше всего использовать, потому что я читаю разные методы при нормализации. Получив оптимизированные веса и используя их для проверки некоторых данных, Im получает выходное значение от 0 до 1 из-за сигмоидной функции. Должен ли я возвращать вычисленные значения в ненормированную/оригинальную форму/значение? Или я должен только нормализовать целевой выход, а не входные значения? Это действительно заставило меня застрять в течение нескольких недель, так как я не получаю желаемого результата и не уверен, как включить идею нормализации в мой алгоритм обучения и тестирования.
спасибо!
Большое вам спасибо! Это прояснилось и многое помогло! :) – hannah