神經網路輸出如何變成連續值

⑴ 如何用神經網路實現連續型變數的回歸預測

神經網路最開始是機器學習的一種模型，但其訓練的時間和其他幾種模型相比不佔優勢，且結果也不盡人意，所以一直沒有被廣泛使用。但隨著數學的深入研究以及計算機硬體質量的提高，尤其是GPU的出現，給深度學習的廣泛應用提供了基礎。GPU最初是為了給游戲玩家帶來高質量的視覺體驗，由於其處理矩陣運算的能力特別優秀，也被用於深度學習中模型的訓練，以往數十天才能訓練好的模型在GPU上訓練幾天就可以訓練好，大大減少了深度學習的訓練時間，因而深度學習的應用越來越多。

通常使用Python來搭建神經網路，Python自帶深度學習的一些庫，在進行回歸預測時，我們只需用調用函數，設定幾個參數，如隱藏層層數和神經元個數等，剩下的就是等模型自行訓練，最終便能完成回歸預測，非常的方便。

⑵ 神經網路預測模型輸出預測結果為什麼總在0-1之間

模型歸一化，預測肯定也要反歸一化。輸出再反歸一化就好了。比如，一組訓練的數據，有最大值max，最小值min，假設區間長度cd=max-min。歸一化就是（x-min）/cd，反歸一化就是x*cd+min

⑶ 急急急！關於4*9*1的BP神經網路怎麼得出輸出結果

給你介紹一種方法吧：使用9個BP網路，每個BP網路對應一個分類器，用來判斷一類問題。BP網路結構：每個BP網路輸入層4個節點，隱含層n個（具體個數自己定），輸出層1個節點。首先製作D類分類器——一個BP網路，當輸入樣本為D類樣本時，BP網路的目標輸出則為1，否則為0。使用者25組數據訓練BP網路1之後，就可以作為D類樣本分類器了。然後，依次類推分別製作EFGHIJKL分類器。使用時，一個新的輸入到來時，依次輸入給這幾個分類器，假若結果是：0.1 ，0.12，0.85,0.08,0.2,0.4,0.5,0.21,0.06，顯然，新的樣本屬於F類。每個神經網路的訓練演算法，低級的有梯度法，高級的有擬牛頓法、共軛梯度法，LM法

⑷ 神經網路的輸入有連續值,也有離散值怎麼辦

每一個樣本的特徵都是離散值

⑸ BP神經網路多輸出表達式如何確定

當然可以，神經網路具有極強的非線性映射能力，對非線性函數的擬合效果非常好，你可以試試BP神經網路，擬合能力已經很強。當對系統對於設計人員來說，很透徹或者很清楚時，則一般利用數值分析，偏微分方程等數學工具建立精確的數學模型，但當對系統很復雜，或者系統未知，系統信息量很少時，建立精確的數學模型很困難時，神經網路的非線性映射能力則表現出優勢，因為它不需要對系統進行透徹的了解，但是同時能達到輸入與輸出的映射關系，這就大大簡化設計的難度。

⑹ matlab--Bp神經網路有組數據中怎樣去使輸入和輸出樣本循環輸入

bp不用你自己告訴它，直接p寫成前12組，T寫成第13組，網路自動輸入

⑺ 神經網路的輸出層的輸出值如何處理，才能進行系統的編程，比如說：天氣數據:最高溫度、最低溫度、濕度

如果你說的是期望輸出的話，且目標是分類的話，我一般用二進制代表所屬類，然後把相應的0換成0.1,1換成0.9，然後進行訓練。

⑻ 神經網路得出的結果幾乎是同一個值是什麼意思

最大的可能性是沒有歸一化。具體原因見下： 下面這個是經典的Sigmoid函數的曲線圖： 如果不進行歸一化，則過大的輸入x將會導致Sigmoid函數進入平坦區，全部趨近於1，即最後隱層的輸出全部趨同。輸出層是個purelin，線性組合後的輸出層輸出當然也

⑼ bp神經網路採用的激發函數為什麼必須是連續可導的

BP的學習演算法是反向傳播演算法。之所以反向就是從輸出層到輸入層求出導數。為什麼要求導數，這是因為BP演算法的本質就是要求得誤差最小，誤差最小就是導數為0，就是要沿著梯度的方向變化。如果激發函數不可導，那麼怎麼求梯度方向呢？如果具體的請看《神經網路原理》這本書。