logit 函数的输出作为神经网络的附加输入
Output of the logit function as addtional input to a Neural Network
这是 w.r.t 二元分类问题中 ANN 和逻辑回归的混合体。例如，在我看到的一篇论文中，他们说 "A hybrid model type is constructed by using the logistic regression model to calculate the probability of failure and then adding that value as an additional input variable into the ANN. This type of model is defined as a Plogit-ANN model"。
因此，对于 n 个输入变量，我试图了解激活函数（例如 logit 函数）如何处理 ANN 的附加输入 n+1 以及权重乘以输入的总和.我们是否将此概率变量 n+1 视为独立权重之一，例如我们将其添加到权重乘以输入的总和中的特殊类型 b0，例如每个神经元的总和 = (Sum (Wi*Xi))+ 附加变量。
感谢您的帮助。
根据提供的描述，最简单的方法是将其视为数据的附加特征。所以你有一个模型可以预测你的原始数据集的某些东西（一些额外的东西的概率），因此你得到 x -> f(x)。您只需将它连接到您的特征向量，即 x' = [x1 x2 ... xk f(x)]，然后将其推送到网络中。
然而，所描述的方法非常幼稚，因为您完全独立地做这两件事（训练 f 和训练神经网络），可能更有益的是将拟合 f 视为辅助损失并训练您的联合建模。
这是 w.r.t 二元分类问题中 ANN 和逻辑回归的混合体。例如，在我看到的一篇论文中，他们说 "A hybrid model type is constructed by using the logistic regression model to calculate the probability of failure and then adding that value as an additional input variable into the ANN. This type of model is defined as a Plogit-ANN model"。
因此，对于 n 个输入变量，我试图了解激活函数（例如 logit 函数）如何处理 ANN 的附加输入 n+1 以及权重乘以输入的总和.我们是否将此概率变量 n+1 视为独立权重之一，例如我们将其添加到权重乘以输入的总和中的特殊类型 b0，例如每个神经元的总和 = (Sum (Wi*Xi))+ 附加变量。
感谢您的帮助。
根据提供的描述，最简单的方法是将其视为数据的附加特征。所以你有一个模型可以预测你的原始数据集的某些东西（一些额外的东西的概率），因此你得到 x -> f(x)。您只需将它连接到您的特征向量，即 x' = [x1 x2 ... xk f(x)]，然后将其推送到网络中。
然而，所描述的方法非常幼稚，因为您完全独立地做这两件事（训练 f 和训练神经网络），可能更有益的是将拟合 f 视为辅助损失并训练您的联合建模。