Authors: Jan Ittner, Konstantin Hemker & Malo Grisard Rapid advances in artificial intelligence (AI) technologies equip us with an ever-evolving toolset to analyze even the most complex real-world business problems and processes. State-of-the art machine learning algorithms allow decision makers to accurately predict business-critical outcomes...
当然，有趣的是--找到澳元纽元=澳元/美元/纽元/美元的相关性，对NS来说是太难的任务。
虽然可能是包装上的小毛病太多
如同乘法表一样，应该给出更多不同的例子。
在森林乘法的情况下，它将仅仅是 最接近的学习实例的平均值（例如500）。准确的公式永远不会被发现。
例子为2个训练实例和森林中的2棵树。
训练有素
6*4=24
6*7=42
如果我们问这个模型
6*6
她会找到最近的
6*4=24
6*7=42
而且它将计算出
(24+42)/2=66/2=33
对于6*5，它将以同样的方式回答。
训练中不同的中间选择越多，答案就越准确。
是
))))，那么你想要什么？
添加隐藏层
))))，那么你想要什么？
添加隐藏层。
什么，任务如此困难？
))))，那么你想要什么？
添加隐藏层。
。
因此，在10层的情况下，不太可能达到99%。
这个任务如此困难吗？
使用哪种输出层激活函数的最佳结果是什么？
有多少个输出神经元？ 一个？
什么，任务有那么复杂？
不，一层是原始的，它只是一个重量的乘法。
对于这样一个简单的问题，根据理论，一层就足够了。
因此，10层不太可能是99%。
这是你的理论。
对于这样一个简单的任务，根据理论，一层就足够了。
因此，10层的准确率不可能达到99%。
如果通过手动设置权重（和激活函数）可以100%地解决这个问题，那么需要的层数和神经元的数量是最少的，但准确率可能要低得多。
我想这项任务就是其中之一。
一个新的功能，以配合功能的重要性
我将不得不在闲暇时尝试。
https://medium.com/bcggamma/gamma-facet-a-new-approach-for-universal-explanations-of-machine-learning-models-b566877e7812