1樓：愛碎碎碎碎念
講道理，有時候我們覺得應該是這樣的，但是實驗結果好像並不是我們預期的那樣，所以你要不先做實驗再分析一下結果呢。畢竟樣本不一定不一樣，處理方法不一定一樣，引數不一定一樣，背景不一樣……
2樓：扁豆燜面1.0
如果知道已經強相關了，最好處理一下，有兩個好處
一是可以降低模型的負擔，畢竟需要計算的引數會少一些
二是強相關的特徵可能會導致模型的想過變差
3樓：五花肉
首先確定乙個事情，你想說的是特徵屬性與分類目標之間很強的關聯性吧，如果是這樣的話，你可以不做篩選直接用所有特徵屬性進行建模，也可以嘗試篩選一下。但如果是特徵屬性之間有很強的關聯性，那你需要篩選一下，因為特徵屬性之間的強相關並不一定對目標也強相關。比如你的分類目標是明天是否下雨，特徵屬性是雲量、溫度、濕度、光照強度等，這些因素之間可能是強相關，但某個特徵變數對是否下雨這個分類目標並不一定有很強的影響。
針對特徵屬性的篩選有一系列的方法，建議你看一下機器學習中的特徵篩選這一部分，推薦乙個軟體，weka，開源的，裡面有大量的演算法，你只需要把資料輸入進去，然後選擇你想用的演算法就會給你篩出結果。另外不太建議你用LSTM做分類。
神經網路多標籤分類？
1.神經網路的輸入 隨機生成的資料。每次生成的資料量需要是一樣的，假設每個樣本有K個資料。2.神經網路的輸出 從幾十根天線裡選擇的幾根天線。假設總共有m根天線，某乙個樣本是要選擇其中的1，3，7根天線的話，我們就可以用乙個m個元素的向量來表示，其中第1，3，7個元素的值是1，其他的元素值都是0.3....
卷積神經網路的特徵是如何學習的？
Mario 你好，剛剛答辯完。老師也提了同樣的問題，卷積是如何提取特徵的？答 從傳統影象特徵提取方法來看，卷積核其實就是很多個不同的濾波器，傳統的濾波器是人工設定的，用來提取指定的特徵，比如gabor，canny等。而卷積神經網路中的卷積核是網路隨機初始化之後再通過梯度下降演算法來進行更新，根據你指...
神經網路進行二分類時，輸出層使用兩個神經元和只使用乙個神經元，模型的效能有何差異，為什麼？
採石工 理論上兩者是沒有差異的。分析如下 1 先引入Logistic函式和softmax函式的定義logistic函式定義為 logistic函式還可以稱為sigmoid函式，expit函式 SciPy中即採用此名稱 softmax函式定義為 softmax函式是多元向量值函式。2 再引入sigmo...