文件名称：深度学习冒险之旅：精算师加入这一旅程的邀请。-研究论文
文件大小：1.66MB
文件格式：PDF
更新时间：2024-06-08 10:10:03
Deep Learning class imbalance Multilayer
尽管深度学习在非结构化数据（例如图像分类，文本分析和语音识别）领域已取得了显著成功，但关于结构化/关系数据进行深度学习的文献却很少。 这项调查还着重于将深度学习应用于结构化数据，因为精算师比结构化数据更喜欢结构化数据，因此对于其他精算师来说，应用深度学习解决自己的业务问题可能是一个有用的模仿步骤。 经过广泛的研究，似乎深度学习在结构化数据领域似乎有做得很好的潜力。 更具体地说，我们回顾了深度学习，深度学习是迄今为止用于异常检测和分类的最有前途的候选人。 我们调查类不平衡问题，因为它是异常检测中的一个难题。 在此报告中，使用Python中的Theano实现了深层多层感知器（MLP），并进行了实验以探索超参数的有效性。 可以看出，增加神经网络的深度有助于检测少数群体。 还发现了对成本敏感的学习技术，可以很好地解决班级失衡的问题。 该项目的目标之一是观察辍学的表现，以规范化和避免网络过度适应。 我们的结论是，尽管使用适用于非结构化数据的技术进行辍学，但向结构化数据添加辍学似乎并没有带来任何改善。 我们还将深度学习置于适当的战略环境中； 重点介绍其在深度学习中的应用和局限性以及不断发展的发展。