Que la red neuronal es mejor?

Question

Esta es una tarea que se trate, cuando no he sido capaz de llegar a cualquier conclusión. Tengo un examen mañana. Por favor, ayúdenme.

Tenemos un conjunto de datos de los pacientes que han visitado un hospital. Un conjunto de características (por ejemplo, temperatura , altura...) también han sido extraídos para cada paciente. Nuestro objetivo es decidir si una nueva visita del paciente algunos $n$ número de enfermedades o no.

Este problema debe ser resuelto mediante la red neuronal. Tenemos dos opciones: o bien para entrenar a un independiente de la red neuronal para cada una de las enfermedades o formar una única red neuronal con una neurona de salida para cada enfermedad, pero que comparten una misma capa oculta. El método que prefiere? Justifique su respuesta .

Mi opinión: Ambos métodos son casi los mismos, debido a que tenemos que entrenar el mismo número de pesos en ambos casos. Pero en un caso se puede entrenar todos a la vez y en el otro vamos a entrenar de forma individual de manera que para la formación tomará más tiempo.

Answer 1

Sugerencia: La principal diferencia entre el uso de una red para todas las enfermedades es que en este caso, la capa oculta puede aprender algunas de las características que pueden ser compartidos entre la enfermedad-la predicción de los resultados.

Por qué crees que la formación individual de los modelos tomará más tiempo?

Answer 2

Si las enfermedades son mutuamente excluyentes (es decir, la probabilidad de tener más de una enfermedad al mismo tiempo es insignificante), por ejemplo, para el diagnóstico diferencial, a continuación, utilizando una sola red con un softmax función de activación en la capa de salida sería una buena idea. Que haría el compartidas ocultas unidades más eficaz, si alguna combinación de unidades ocultas sugerido que la enfermedad era probable, que obligaría a las salidas de las otras enfermedades que más se acerque a cero.

Personalmente trato de no preocuparse por el tiempo de entrenamiento (con tal de que sigue siendo posible) como es mejor para conseguir una buena respuesta lenta que una mala respuesta rápidamente. Esto es especialmente cierto en un contexto médico donde los errores pueden tener consecuencias graves.

Answer 3

Depende de cómo sus datos distribuida y si sus resultados están correlacionados (o no).

Por qué no probar ambos métodos y convencerse de que uno es mejor y por qué. No hay almuerzo gratis y a veces los resultados pueden ser completamente diferentes de sus intuiciones o hipótesis.

Aquí hay algunos consejos generales:

Asegúrese de que su experimento de la metodología de la derecha y dividir sus datos en la capacitación+de validación / verificación o validación cruzada, y pruebas. Registro de todo: todos (hiper)parámetros y la pérdida de la evolución (convergencia) para todos los experimentos. Ensayo y error. La causa y el efecto. Para cambiar sólo una cosa a la vez.

También puede que desee ver en cosas como el abandono escolar y observar y probar los efectos de la (mira en conjuntos) en la red. Las redes independientes no necesitan ser totalmente independiente.

Finalmente:

Aquí hay algunas preguntas que usted puede preguntarse a sí mismo después de todo el esfuerzo: ¿existe alguna relación entre los diferentes resultados (enfermedades) o no? Si no, ¿hay algún punto de haber compartido los parámetros con los otros NN modelos? ¿Cuál es el óptimo de la arquitectura? Si esto fuera un entorno real de cómo podría asegurarse de que yo podría agregar nuevas enfermedades fácilmente al sistema? Quizás haya grupos de enfermedades que se correlacionan bien? ¿Cómo podría yo encontrar estos grupos mediante el uso de una única red? ¿Cuáles son las características que se correlacionan con estos grupos?

Esta es, probablemente, más de lo que necesita para la tarea, el punto que estoy tratando de hacer es que usted necesita tener algo de hipótesis, prueba de ello, a continuación, repita. Nadie puede decirte nada seguro. Hasta que lo prueba, todo es especulación.

Buena suerte y disfrutar el proceso. Espero que mi respuesta te motivará para intentar averiguar más por ti mismo.