如何培養在機器的連續輸出（迴歸）學習

Question

我想訓練迴歸模型（未分類）的輸出是連續號碼。

比方說，我已經輸入變量X，其範圍-70 70之間 我有輸出變量，Y，這-5範圍爲5 X具有39周的特點和Y有16個功能以及它們每個都有50,000個示例。然後我想用python中的深層信念網絡（DBN）來訓練它們。

我使用哪個描述DBN與MNIST數據（分類）在theano主頁的腳本。 http://deeplearning.net/tutorial/DBN.html

你能告訴我具體是什麼，我在爲了改變行申請回歸問題我在上面解釋呢？

比如我必須要改變......

1. S形函數來正切函數。 ：我聽說tanh激活函數在迴歸中比sigmoid更好。對？
2. 而不是使用負對數的可能性，我不得不使用最小平方誤差....？
3. 通過zscore輸入和輸出數據規範化？

請讓我知道，如果你有任何想法解決這個問題... 大多數的機器學習的例子是基於MNIST手數分類。如果你向我推薦一些漂亮的博客或主頁，我可以得到有關回歸的有用信息，我會很高興。

謝謝提前。

Answer 1

@hyungwon yang: 

我還沒有見過Python代碼，但我認爲下面將是有益的：

S形函數來正切函數：沒有必要，許多出版物使用非線性迴歸乙狀結腸。坦率地說，選擇是根據您擁有的數據類型來決定的。我對許多非線性模型使用sigmoid，並且它爲我工作。

最小均方誤差：您可以通過內置的MATLAB函數迴歸，而不是有這麼多的參數混淆它的執行此。

Normalisations：你可以做一個最小 - 最大規範化（參考由Charu阿加瓦爾數據挖掘），我在Matlab實現如下：

%inputData: Is your N samples * of first feature, you have to iteratively do %this process for each and every feature. 
function normOut = NormaliseAnyData (inputData) 
denominator = (max(inputData) - min (inputData)); 
numerator = (inputData - min(inputData)); 
normOut = numerator/denominator; 
end 

希望它能幫助。如果您還有其他問題，請告訴我。