machine-learning - 在前馈神经网络中，我可以输入 "don' t care 的特征输入吗？

Question

我使用 Java 中的 DL4J 创建了一个前馈神经网络。

假设并为了简单起见，假设该神经网络是正方形和圆形的二元分类器。

输入是一个特征向量，将由 5 个不同的变量组成:

[number_of_corners,
number_of_edges,
area,
height,
width]

到目前为止，我的二元分类器可以很好地区分这两种形状，因为我给了它一个完整的特征向量。

我的问题:是否可以只输入其中的 2 或 3 个特征？甚至1？我知道这样做时结果会不太准确，我只需要能够这样做即可。

如果可以的话，如何实现？

对于输入向量中有 213 个不同特征的神经网络，我该如何做到这一点？

Answer 1

例如，假设您知道面积、高度和宽度特征(因此您不知道number_of_corners和number_of_edges特征)。

如果您知道形状最多可以有 10 个角和 10 个边，则可以输入 10 个具有相同面积、高度和宽度的特征向量，但每个向量的 值不同number_of_corners 和 number_of_edges 功能。然后，您可以对网络的 10 个输出进行平均，并四舍五入到最接近的整数(这样您仍然可以获得二进制值)。

类似地，如果您只知道面积特征，则可以在给定输入值的多个随机组合的情况下对网络输出进行平均，其中唯一的固定值是面积 其他的都不同。 (即每个向量的面积特征都是相同的，但每个其他特征都有一个随机值。)

这可能是一个“技巧”，但我认为当您增加(几乎)随机向量的数量时，平均值将收敛到一个值。

编辑

如果您有很多功能，我的解决方案不是一个好的选择。在这种情况下，您可以尝试使用深度置信网络或某些自动编码器来推断少数特征的其他特征的值。例如，DBN 可以“重建”噪声输出(当然，如果你对其进行足够的训练的话)；然后，您可以尝试将重建的输入向量提供给前馈网络。