你如何实际评估一个 "特定 "的输入对NS的贡献？ - 页 4

[[删除]]

我们还可以提出以下变体：为简单起见，我们采取有三个输入的NS。

并应用所有的20个输入，让优化器按标准自行找到3个输入的最佳组合，例如，向前运行以获得最小的缩减。

类似这样的事情。

[СанСаныч Фоменко]

Swetten:

我们还可以提出以下变体：为简单起见，我们采取有三个输入的NS。

并应用所有的20个输入，让优化器按标准自行找到3个输入的最佳组合，例如，向前运行以获得最小的缩减。

类似这样的事情。

那是肯定的。每个人都有一个选择：读一本书或发展一个无拘无束的幻想。

[[删除]]

Figar0:

不算是星期五，但是......。

有一个NS，任何NS，有一个输入A={A1, A2, ....A20}.训练NS，获得满意的结果。我们如何实际评估输入A1、A2、...的每个元素的贡献？A20的这个结果？

我脑海中的选项是。

1）以某种方式总结和计算元素通过网络时的所有权重。我不太清楚怎么做，我必须沉浸在网络操作中，并以某种方式计算一些系数，等等。

2) 尝试以某种方式 "归零"，或者例如倒转输入矢量的一个元素，看看它对最终结果有何影响。到目前为止，我已经确定了这一点。

但在意识到这第二个变体之前，我决定征求我的意见。谁可能在这个问题上思考的时间比我长？也许有人能给我提供一些有用的书籍-文章？

我建议写一个指标，并在一个单独的窗口中运行它。

指示线会使人产生非常有趣的认知观察。

指示线可能是：神经元加法器输出；非线性传感器后的神经元输出；可能是委员会输出，等等。 一切只取决于你的欲望和幻想。

这种能见度将有助于 "穿透 "这个 黑匣子，了解它是如何在那里发生/运作的。

[[删除]]

faa1947:
那是肯定的。每个人都有一个选择：读一本书或发展一个无拘无束的飞行。

仅供参考，这是书中描述的方法。

也许不是以我在这里提交的形式，但基本上是正确的。

[TheXpert]

LeoV:

每个输入的影响程度几乎不可能现实地估计 。

我不知道，相对于其他输入，它很好。只有输入需要被规范化。

因此，我们把预测的输出作为一个基准，对于所有模式的每个输入，我们计算某个输入的一些非常小的转变的有效值误差。

[[删除]]

faa1947:

在计量经济学范围之外应用一个坚实的基于证据的方法，会引发一些幼稚的问题。

做好回归工作。

利润=s(1)*A0+...。s(n) * A(n)

我们估计这个回归的系数。

随即我们得到

某一特定系数等于零的概率- 删除这样的输入

所有系数合计等于零的概率

使用椭圆，我们可以得到相关系数

进行冗余输入的测试

对缺失的输入进行测试

测试系数值的稳定性（评估其变化的随机性）。

一个聪明人来了，对我这个幼稚的问题给出了一个成年人的答案）谢谢。不仅回归和NS不完全是一回事，而且提议的方案至少也不简单。我们估计，得到，进行，进行，进行......而且不清楚如何解释在相当不同的系统中获得的结果。MACD是好是坏？一个TS可以使用它，而另一个不可以？

Swetten:

我们还可以提出以下变体：为了简单起见，我们采取一个有三个输入的NS。

我们提供所有20个输入，并让优化器通过标准自行找到3个输入的最佳组合，例如，为了最小的缩减而向前运行。

类似这样的事情。

我做了完全相同的事情，但没有采取任何输入，并创建了它们的组合。 我排除了输入和它们的一些组合，并观察结果--这是同样的事情。开机、关机--有什么区别？由于实施的特殊性，我发现排除它更方便。

faa1947:
这就对了。每个人都有一个选择：读一本书或发展一个无拘无束的飞行。
。

话说回来，我甚至也问过文章书的问题。没有人就这个问题提出任何建议，你也没有。去科技图书馆祈祷计量经济学，唯一的非科学？)虽然我真的不介意书籍，但如果我在厕所里以教育或文化为目的浏览这些书籍，它们的实际用途很小，没有现成的解决方案，因为它们是由原教旨主义理论家或不成功的应用科学家撰写的。而且不管你怎么读，如果没有 "无拘无束的想象力"，它们就没有任何实际用途。

[Alexey Burnakov]

TheXpert:

我不知道，相对于其他输入，它很好。只有输入应该被规范化。

因此，我们把预测的输出作为一个基准，对于所有模式的每个输入，我们计算某个输入的一些非常小的转变的均方根误差。

是的，或者说--在经过训练的NS上，我们通过将每个输入依次分配给其样本平均值来计算误差。

[Sceptic Philozoff]

Figar0: 一个聪明的人出现了，对我这个幼稚的问题给出了一个成熟的答案）好吧，谢谢你。不仅回归和NS不完全是一回事，而且建议的变体至少也不简单。我们估计，得到，进行，进行，进行......而且也不清楚如何解释在相当不同的系统中获得的结果。MACD是好是坏？一个TS可以使用它，而另一个不可以？

顺便说一下，NS也是一种退步。当前的倒计时对以前的倒计时同样有依赖性。但这不是问题的关键。

FAA 所建议的适用于线性回归，而神经网络是一种非线性回归。

[TheXpert]

Mathemat:

顺便说一下，NS也是一种退步。

在一般情况下，根本不可能。

[Sceptic Philozoff]

好吧，那你得问问这个话题的作者，他用的是哪个网络。