如何在神经网络中实现
How to implement this in neural network
我正在使用自动编码器进行无监督学习。我在想 [在测试时] 跳过一个输入是否会影响输出准确性，因为我的输入既是标称的又是数字的。它是否能够保持在输入之间学习的关系并在没有一个输入的情况下准确预测？
I was thinking whether skipping one input [at testing] will effect output accuracy...
你的问题很笼统，但简而言之：视情况而定。
例如，如果您有 1000 个输入和 1,000,000 的训练规模，那么 "skipping one input" 可能仍然有效。但是，假设有 2 个输入，然后跳过一个输入会产生巨大的差异。
但是，为了获得更大的弹性，您的网络可以构建为允许更好地识别错误输入的模式。有一个 LOT of literature on this，但出于理论目的，我将在给定某些假设的情况下概述一种可能的方法。
假设有足够数量的输入，并假设有足够数量的测试数据，您可以从您的系统中创建 N 个隐藏神经网络，一个对应 N-1 个输入的每个组合。这会很笨重，但有可能，而且实际上有更好的方法（但更多内容在下一段）。然后在您的训练集中，如果您跳过其中一个输入，这些隐藏网络之一将针对该输入进行非常准确的训练。通过这种方式，您的网络可以接受训练以允许输入缺失。
实际上，您不需要单独考虑缺失输入的 N 种可能性中的每一种。神经网络有很多异花授粉，所以足够密集的隐藏网络应该就可以了。
我正在使用自动编码器进行无监督学习。我在想 [在测试时] 跳过一个输入是否会影响输出准确性，因为我的输入既是标称的又是数字的。它是否能够保持在输入之间学习的关系并在没有一个输入的情况下准确预测？
I was thinking whether skipping one input [at testing] will effect output accuracy...
你的问题很笼统，但简而言之：视情况而定。
例如，如果您有 1000 个输入和 1,000,000 的训练规模，那么 "skipping one input" 可能仍然有效。但是，假设有 2 个输入，然后跳过一个输入会产生巨大的差异。
但是，为了获得更大的弹性，您的网络可以构建为允许更好地识别错误输入的模式。有一个 LOT of literature on this，但出于理论目的，我将在给定某些假设的情况下概述一种可能的方法。
假设有足够数量的输入，并假设有足够数量的测试数据，您可以从您的系统中创建 N 个隐藏神经网络，一个对应 N-1 个输入的每个组合。这会很笨重，但有可能，而且实际上有更好的方法（但更多内容在下一段）。然后在您的训练集中，如果您跳过其中一个输入，这些隐藏网络之一将针对该输入进行非常准确的训练。通过这种方式，您的网络可以接受训练以允许输入缺失。
实际上，您不需要单独考虑缺失输入的 N 种可能性中的每一种。神经网络有很多异花授粉，所以足够密集的隐藏网络应该就可以了。