One possible drawback of neural net

One possible drawback of neural networks is that all attribute values must be encoded
in a standardized manner, taking values between zero and 1, even for categorical
variables. Later, when we examine the details of the back-propagation algorithm, we
shall understand why this is necessary. For now, however, how does one go about
standardizing all the attribute values?
For continuous variables, this is not a problem, as we discussed in Chapter 2.
We may simply apply the min–max normalization:
X∗ = X − min(X)
range(X) = X − min(X)
max(X) − min(X)
This works well as long as the minimum and maximum values are known and all
potential new data are bounded between them. Neural networks are somewhat robust

ผลลัพธ์ (ไทย) 1:

หนึ่งคืนเงินที่สุดของเครือข่ายประสาทจะต้องถูกเข้ารหัสค่าแอตทริบิวต์ทั้งหมดที่ในลักษณะที่เป็นมาตรฐาน มีค่าระหว่างศูนย์และ 1 แม้สำหรับที่แน่ชัดตัวแปร ต่อ เมื่อเราตรวจสอบรายละเอียดของขั้นตอนวิธีการเผยแพร่หลัง เราจะเข้าใจเหตุจำเป็น สำหรับตอนนี้ อย่างไรก็ตาม วิธีหนึ่งไปเกี่ยวstandardizing ค่าแอตทริบิวต์ทั้งหมดสำหรับตัวแปรต่อเนื่อง นี้ไม่ได้มีปัญหา ดังที่เรากล่าวไว้ในบทที่ 2นอกจากนี้เราก็อาจใช้ฟื้นฟูต่ำสุดสูงสุด:X∗ = min(X) X −range(X) = min(X) X −max(X) − min(X)งานนี้ตราบใดที่ค่าต่ำสุด และสูงสุดเป็นที่รู้จักกันดีและทั้งหมดข้อมูลใหม่อาจจะล้อมรอบระหว่างพวกเขา เครือข่ายประสาทจะค่อนข้างแข็ง

ผลลัพธ์ (ไทย) 2:

หนึ่งอุปสรรคที่เป็นไปได้ของโครงข่ายประสาทเทียมคือค่าแอตทริบิวต์ทั้งหมดจะต้องเข้ารหัส
ในลักษณะที่เป็นมาตรฐานการค่าระหว่างศูนย์และ 1 แม้สำหรับเด็ดขาด
ตัวแปร ต่อมาเมื่อเราตรวจสอบรายละเอียดของขั้นตอนวิธีการขยายพันธุ์กลับมาเรา
จะเข้าใจว่าทำไมนี้เป็นสิ่งจำเป็น สำหรับตอนนี้ แต่วิธีหนึ่งไม่ได้ไปเกี่ยวกับ
มาตรฐานทั้งหมดค่าแอตทริบิวต์?
สำหรับตัวแปรอย่างต่อเนื่องนี้ไม่เป็นปัญหาที่เรากล่าวถึงในบทที่ 2
เราก็อาจใช้นาทีสูงสุดฟื้นฟู:
X * = X - นาที ( X)
ช่วง (X) = X - นาที (X)
สูงสุด (X) - นาที (X)
นี้ทำงานได้ดีตราบใดที่ค่าต่ำสุดและสูงสุดเป็นที่รู้จักกันและทุก
ข้อมูลใหม่ที่มีศักยภาพจะกระโดดระหว่างพวกเขา เครือข่ายประสาทที่ค่อนข้างแข็งแกร่ง

ผลลัพธ์ (ไทย) 3:

ข้อเสียที่สุดของโครงข่ายประสาทเทียมเป็นค่าคุณลักษณะทั้งหมดจะต้องทำการเข้ารหัส
ในลักษณะที่เป็นมาตรฐาน เอาค่าระหว่างศูนย์และ 1 , แม้สำหรับตัวแปรเด็ดขาด

ต่อมา เมื่อเราศึกษารายละเอียดของขั้นตอนวิธี back-propagation เรา
จะเข้าใจว่าทำไมนี้เป็นสิ่งที่จำเป็น สำหรับตอนนี้ , อย่างไรก็ตาม , วิธีหนึ่งไปเกี่ยวกับ
มาตรฐานค่าแอตทริบิวต์ทั้งหมด ?
สำหรับตัวแปรต่อเนื่องนี้ไม่ได้เป็นปัญหาอย่างที่เราได้กล่าวไว้ในบทที่ 2
เราอาจเพียงแค่ใช้บรรทัดฐานมิน– Max :
x ∗ = x −มิน ( x )
ช่วง ( x ) = x −มิน ( x )
แมกซ์ ( x ) −มิน ( x )
นี้ใช้งานได้ดี ตราบใดที่ ค่าต่ำสุดและสูงสุดที่เป็นที่รู้จักและข้อมูลใหม่ที่อาจเกิดขึ้นทั้งหมด
ถูกล้อมรอบระหว่างพวกเขา โครงข่ายประสาทเทียมที่มีประสิทธิภาพ ค่อนข้าง