алгоритм машинного обучения со списком массивов в качестве набора данных - PullRequest
Новая
       8

алгоритм машинного обучения со списком массивов в качестве набора данных

0 голосов
/ 27 апреля 2018

Я новичок в науке о данных, и я ищу алгоритм машинного обучения, который принимает набор данных в виде списка массивов, каждый массив имеет последовательность данных с плавающей запятой

Немного контекста : у нас есть несколько ангелов, которые были взяты из движения пользователя, по этим ангелам мы определяем, делает ли пользователь правильное движение или нет, движение, представленное в нашей системе в списке массивов, каждый массив имеет последовательность ангелов любая помощь, пожалуйста? я искал много времени, но не дал результата!

Ответы [ 2 ]

0 голосов
/ 27 апреля 2018

Как правило, большинство библиотек принимают в качестве входных данных пустые массивы. Есть несколько способов перевести ваши данные в этот формат. Я считаю pandas (https://pandas.pydata.org/pandas-docs/stable/) наиболее удобным способом. Если у вас есть данные в файле .csv, в листе Excel или в каком-либо другом распространенном структурированном формате, у pandas есть функции для их загрузки без каких-либо проблем)

Если вы дадите больше подробностей (используете ли вы библиотеку машинного обучения (например, sci-kit), в каком формате данные), я могу вам помочь.

0 голосов
/ 27 апреля 2018

Проверьте neupy. Это отличная библиотека для новых пользователей машинного обучения. Я бы предложил только стандартный алгоритм обратного распространения с импульсом. Было доказано, что новые адаптивные методы обучения не так хороши, как простой алгоритм обратного распространения градиента с импульсом.

Это легко реализовать. Это будет реализовано, например, с использованием следующего кода

A: Создать набор данных 

x = np.zeros((len(list[0]),len(list)))
for i in np.arange(len(list)):
    for j in np.arange(len(list[0]):
        x[i][j] = list[i][j]

Это будет вход. Затем вы создаете архитектуру

B: создание архитектуры 

network = layers.Input(len(list[0])) > layers.Sigmoid(int(len(list[0])/2)) > layers.Sigmoid(2)

C: использовать градиентный спуск с импульсом 

gdnet = layers.Algorithms.Momentum(network,momentum=0.1)
gdnet.train(x,y, max_iter=1000)

Где у - движение интереса.

D: прогнозировать движение 

y_predicted = gdnet(x)
...