分離和模式匹配技術

Question

我是新來的人工神經網絡。

我對這樣的應用程序：

我有顯著大集的對象。每個對象都有六個屬性，由P1 – P6表示。每個屬性都有一個符號值。換句話說，在我的示例中，P1 – P6可以具有來自集合{A，B，C，D，E，F}的值。它們不是數字。 （假設A，B，C，d，E，F是顏色;然後你就會明白我的想法）

現在，還有另外一個特性 - [R，我很感興趣，假設

R =。 {G1，G2，G3，G4，G5}

我需要培養系統大集P1 – P6和有關R.現在我要做到以下幾點。

1. 我有一個對象，我知道P1〜P6的值。我需要找到 R（該對象所屬的組）

2. 爲了得到所需的R什麼是我需要在P1 – P6中具有的模式。 作爲R = G2的例子，我需要找出P1 – P6中的任何模式。

我的問題是：

1. 什麼理論/技術/技術，我應該閱讀和學習 爲了實現分別爲1和2，？

2. 你可以推薦什麼工具/庫來模擬/實現/測試這個 ？

Answer 1

你應該看看classification algorithms（人工智能款），特別是近鄰的算法。你的問題可以通過不同的技術來解決，這些技術都有不同的優點和缺點。

不過，我不知道在人工智能的任何方法，它允許雙向分類（或者換句話說，兩者同時實施的先決條件1和2）的。因爲你想做的所有事情都有一個P1..P6 < => R的雙向映射，所以我建議只使用映射表而不是人工智能算法。如果您不確切知道您的樣本是在P1..P6的A..E下分類的，那麼AI會很好用。

如果你堅持使用AI的話，我建議先來看一個Perceptron。感知器由輸入，中間和輸出神經元組成。舉個例子，你會有輸入 - 神經元P1a..P1e，P2a..P2e，...和五個輸出神經元R1..R5。訓練結束後，您應該可以輸入P1..P6並獲得適當的R1..R5作爲輸出。

至於框架和技術，我只知道商業智能套件的Visual Studio中，雖然也有很多其他框架的AI在那裏。由於我沒有使用它們中的任何一個（我總是用C/C++自己編寫它們），所以我不能推薦任何。

Answer 2

你描述你的問題的樣子，你需要查找各種機器學習技術。如果是我，我會嘗試閱讀關於k-NN（k個最近鄰居）的分類。當我說分類時，我的意思是如果你知道P1-P6就得到R。這是一個非常簡單的技術，在這裏應該很有幫助。

至於周圍的其他方式，你基本上需要的是你的人口的代表性樣本。這是我認爲不太常見的，但你可以嘗試像k-means聚類。聚類方法通常自己確定一個對象的類（屬性R），但是k-means在這種情況下聚類很酷，因爲你需要給它一些對象類（例如R的不同可能值），並且最終你會得到一個有代表性的樣本

你絕對不應該去在我看來，任何真正複雜的技術（如神經網絡），因爲你的數據沒有一個確切的數字解釋和值不能逐步解釋。

推薦的工具真的取決於您的基本編程語言。有一個名爲Orange的很棒的工具，它基於Python，它是我選擇這些類型的工具（特別是因爲將Python模塊與C/C++連接起來非常簡單）。如果您更喜歡Java，那麼可以使用一個非常類似的工具Weka。我認爲Weka是有點更好記錄，但我不喜歡Java，所以我從來沒有嘗試過。

這些工具都具有圖形化點擊界面，你可以只加載數據，並把工作分類，通過參數玩，並檢查您開始使用什麼樣的輸出不同的技術和不同的調校。一旦你決定獲得你需要的結果（或者你不喜歡圖形界面），你也可以在編程時使用它們作爲一種庫（Python for Orange和Weka for Java），並將分類作爲更大項目的一部分。

如果你仔細閱讀Orange或Weka的文檔，我認爲它會給你一些想法，你可以對你所擁有的數據做什麼實際的工作，以及當你知道一些看起來很有趣的技術時，數據，也許你可以在這裏獲得更多的質量評論和一些特定方法的信息，而不僅僅是尋找一般性建議。

Answer 3

這似乎是一個典型的分類問題。如果你真的有很多數據看看Apache Mahout，它提供了機器學習算法的分佈式實現。如果您需要更簡單的原型設計TimBL是一個不錯的選擇。