machine-learning - 使用神经网络的多元回归(多个目标变量)是一项微不足道的任务吗?
问题描述
使用神经网络的多元回归是否像在神经网络的最后一层有“n”个输出节点一样容易?(“n”将是目标变量的数量)
我读过关于它的相互矛盾的说法。例如回归器堆叠、回归器链,而不是在神经网络的输出层中拥有更多节点。
解决方案
对象检测的整个领域或多或少都是这样工作的。您想要预测例如图像中对象周围的框。对于每个框,您基本上可以预测多个回归参数,例如 x、y 位置、宽度和长度。在 3D 对象检测中,您拥有更多参数,例如 z 位置、高度、旋转(偏航角)。
我不知道我是否会称它微不足道,但绝对有效。
与机器学习中的许多事情一样,如果你不尝试,你永远不会知道。对一项任务有效的方法可能对另一项任务无效。一般来说,我总是从最简单的解决方案开始,在你的情况下,这可能只是在你的输出层添加另一个神经元,看看它是如何工作的。
推荐阅读
- amazon-product-api - 亚马逊支付集成:我在哪里可以获得 preSharedEncodedKey?
- c# - c#是否可以为字符串关键字创建扩展方法
- apache - modrewrite 并使用 www 重定向到 https
- oracle-apex - 交互式网格 - 过滤具有多个值的列 (Oracle APEX 19.2)
- angular - 确认对话框接受不更新表
- django - Django(2.11) 同时(10 毫秒内)相同的 HTTP 请求
- javascript - 如何使用拆分按钮创建可折叠的内容?(HTML/CSS/JS)
- nosql - MS Access DB 到天蓝色
- r - 有没有办法返回 R 函数中定义的所有对象?
- javascript - 如何从数组中获取项目并以正确的顺序嵌套它们?