Этот тип дедукции не совсем верно. Сочетание функций не является линейным. Это правда, что если строго 0, то это не имеет значения, но может случиться так, что он затем рекомбинируется другим способом и в другом глубоком слое.
Было бы верно, если бы ваша модель была линейной. Фактически, именно так работает анализ PCA, где он ищет линейные отношения через ковариационную матрицу. Собственное значение будет указывать на важность каждого признака.
Я думаю, что есть несколько способов подтвердить ваши подозрения:
Устранить особенности, которые, по вашему мнению, не важны для повторной тренировки и просмотра результата. Если это похоже, ваши подозрения верны.
Примените текущую модель, возьмите пример (мы будем называть его опорным), чтобы оценить и значительно изменить функции, которые вы считаете не относящимися к делу, и создать множество примеров. Это относится к нескольким пивотам. Если результат похож, это поле не должно иметь значения. Пример (я считаю, что первая особенность не имеет значения):
data = np.array([[0.5, 1, 0.5], [1, 2, 5]])
range_values = 50
new_data = []
for i in range(data.shape[0]):
sample = data[i]
# We create new samples
for i in range (1000):
noise = np.random.rand () * range_values
new_sample = sample.copy()
new_sample[0] += noise
new_data.append(new_sample)
var hexDigits = new Array
("0","1","2","3","4","5","6","7","8","9","a","b","c","d","e","f");
//Function to convert rgb color to hex format
function rgb2hex(rgb) {
rgb = rgb.match(/^rgb\((\d+),\s*(\d+),\s*(\d+)\)$/);
return "#" + hex(rgb[1]) + hex(rgb[2]) + hex(rgb[3]);
}
function hex(x) {
return isNaN(x) ? "00" : hexDigits[(x - x % 16) / 16] + hexDigits[x % 16];
}
( Источник )
Попробуйте
// c - color str e.g."rgb(12,233,43)", result color hex e.g. "#0ce92b"
let rgb2hex= c=> '#'+c.match(/\d+/g).map(x=>(+x).toString(16).padStart(2,0)).join``
// rgb - color str e.g."rgb(12,233,43)", result color hex e.g. "#0ce92b"
let rgb2hex= c=> '#'+c.match(/\d+/g).map(x=>(+x).toString(16).padStart(2,0)).join``
console.log(rgb2hex("rgb(12,233,43"));