文件名称：AutoEncoders_Network_Evaluation
文件大小：2.55MB
文件格式：ZIP
更新时间：2024-05-13 18:05:52
JupyterNotebook
通用辅助任务，用于学习使用自动编码器帮助规范网络的功能 自动编码器在监督学习和无监督学习以及用于转移学习和一种任务之一的深度学习体系结构中起着基本作用。 由于两个主要原因，降维已成为学术界分析的重要课题。 首先，大量数据导致计算成本，并且变得难以处理。 同样，在不损失太多信息的情况下从较高维度的数据映射到较低维度的数据会删除我们数据集中的多余维度。 而且，数据大小对训练后的模型的影响导致模型性能的高差异。 在本文中，将讨论如何将自动编码器用于从不同域收集的三个不同数据集的方法，以及数据描述，实验，数据大小的影响，局限性，挑战及其结果。 还将堆叠自动编码器的结果与标准算法进行比较，并讨论其性能。 实验内容 对于所有这三个数据集，将首先训练单个自动编码器，以找到用于自动编码器算法的最佳参数，以复制出输入数据。 然后，编码器部分（即所有输入的压缩学习特征）将与神经网络堆叠在一起，以预测目标的类别
【文件预览】：
AutoEncoders_Network_Evaluation-master
----plan.pdf(438KB)
----log_encoder_acc_adult_df_3.csv(9KB)
----log_accuracy_adult3.csv(207B)
----santander_autoencoder.ipynb(397KB)
----breast-cancer-wisconsin-data()
--------data.csv(122KB)
----santander-customer-satisfaction()
--------sample_submission.csv(612KB)
----Auto_Encoder_Datasize_experiment.pdf(452KB)
----census()
--------adult.csv(3.91MB)
----log_stacked_log_adultdf_3.csv(10KB)
----githublink.odt(8KB)
----README.md(4KB)
----Census_autoencoder_final.ipynb(680KB)
----breast-cancer-Autoencoder_final.ipynb(1.09MB)