深度神经网络定义（DNN）有哪些的弱点或明显的问题？

来源：蜘蛛抓取(WebSpider) 时间：2022-11-09 13:31 标签： 深度神经网络定义

国际数据管理会议的论文集。

DNN 在许多领域得到广泛的应用和发展。日常使用神经网络的最常见例子是语言和图像识别, 以及从一种语言到另一种语言的自动翻译。DNN 也能用于交易。鉴于算法交易的快速发展, 对 DNN 的深入研究似乎是有用的。

最近, 开发人员已经提出了许多新的使用 DNN 的思路, 方法和途径, 并通过实验一一证明它们。本系列文章将研究 DNN 发展的状况和主要方向。有极大的空间可致力于使用实际实验和 DNN 的定性特征来测试各种思路和方法。在我们的工作中将仅使用多层完全连接的网络。

文章将有四个着重关注领域: 

  • 准备, 评估和经过各种变换放大的入场数据。

    • 图例.18. 含异常值的训练数据集合

    图例.19. 含插补异常值的训练数据集合

    图例.20. 含插补异常值的测试数据集合

    并非所有模型都对异常值敏感。举例, 诸如确定树 (DT) 和随机森林 (RF) 模型均对它们不敏感。 


    偏态以分布形式表示。计算变量的偏度系数是评估它的一般方式。通常, 负偏态表示平均值小于中值, 分布保持偏离。正偏态表示平均值大于中值, 分布具有正确的偏度。

    如果预测器偏度为 0, 则数据绝对对称。
    如果预测器偏度小于 -1 或大于 1, 则数据明显失真。
    如果预测器偏度在 -1 和 -1/2 之间或 1 和 1/2 之间, 则数据中度失真。
    如果预测器偏度等于 -1/2 和 1/2, 则数据接近对称。

    可以取对数来校正偏度, 并通过使用指数函数来保持偏离。

    我们已经确定了偏度, 异常值和其它变化的关系。我们来看看去除和插补异常值之后, 偏度指数如何变化。  

    r如您所见, 已删除的异常值 x.out 和含插补异常值的 x.cap 集合是绝对对称的, 不需要任何校正。

    我们也可以评估峰度。峰度 (Kurtosis) 或峰值系数是随机变量分布的峰值度量。正态分布的峰度为 0。如果分布峰值围绕数学期望呈尖锐状, 则峰度为正, 若峰值是平滑的, 则峰度为负。

    在初始数据集 x 中的分布峰值非常尖锐 (峰度远大于 0), 在含有去除的异常值 x.out 的集合中, 峰值非常接近正常的峰值。含有插补异常值的集合具有更平滑的峰值。两个数据集合都不需要任何校正。

我要回帖

更多关于 深度神经网络定义 的文章

 

随机推荐