Из информации, которую вы добавили в комментариях, я понимаю (и исправляю меня, если я ошибаюсь), что у вас есть N пациентов, у каждого по K образцов - каждый образец состоит из определенных функций и промежуточного результата. У вас также есть способ взять эти промежуточные результаты K и объединить их в один конечный результат, который действительно вас интересует. Я также предполагаю, что каждый из промежуточных результатов не является взаимозаменяемым.
Допустим, например, что у вас определенное заболевание и вы берете K образцов крови у каждого пациента. каждый образец крови проверяется на наличие отдельного компонента, и по результатам вы можете определить, инфицированы они или нет. В этом примере K-тесты не являются взаимозаменяемыми, поскольку каждый тест для отдельного компонента.
Эта настройка может привести к двум общим конвейерам:
- Сквозной трубопровод
- Двухступенчатый трубопровод
В сквозном конвейере вы встраиваете все функции вместе. В вашем случае у вас есть K массивов из 4 чисел, поэтому ваш вход для нейронной сети будет 4 * K массивом. Вы должны всегда соблюдать порядок конкатенации (если ваши промежуточные результаты взаимозаменяемы, тогда это не обязательно), и ваш прогноз будет просто последним прогнозом, который вас действительно интересует.
В двухэтапном конвейере вы будете обучать K различных нейронных сетей, каждая получит один массив из 4 чисел и выведет промежуточный результат. Затем вам нужно будет объединить эти результаты для прогноза, который вы ищете.
Два замечания о двухэтапном решении:
- Если массивы K являются взаимозаменяемыми, тогда этот подход не имеет смысла
- При необходимости вы можете продвинуться к этому подходу еще дальше и использовать промежуточные прогнозы K в качестве входных данных для другой сети, которая использует эти промежуточные результаты для получения окончательного прогноза.