Изучение важности характеристик и эволюции весов в данной модели DL

Question

Изучение важности характеристик и эволюции весов в данной модели DL

Значение «this» зависит от «контекста», в котором выполняется функция. Контекстом может быть любой объект или глобальный объект, т. Е. Окно.

Таким образом, семантика «этого» отличается от традиционных языков ООП. И это вызывает проблемы: 1. когда функция передается другой переменной (скорее всего, обратный вызов); и 2. когда замыкание вызывается из метода-члена класса.

В обоих случаях это устанавливается в окно.

0

python tensorflow keras deep-learning feature-selection

задан Tim Mironov 16 January 2019 в 11:18

1 ответ

Другие вопросы по тегам:

python tensorflow keras deep-learning feature-selection

Похожие вопросы:

score 0 · Answer 1

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)
```