详细内容或原文请订阅后点击阅览
从无数据估算：从类别中得出连续得分
使用低容量网络的练习和数学是在仅可用于培训的分类标签时获得细粒度得分的。我们使用它来根据以前情况下仅基于粗糙结果的信息来预测量表上感染的严重性。从无数据估算的帖子：从类别中得出连续得分的帖子首先出现在数据科学上。
来源:走向数据科学收集了有关收购了负责感染性呼吸系统疾病的“病原体A”患者的结果的数据。可用的每位患者的8个特征，结果是：（a）在家治疗并恢复，（b）住院和康复，或（c）死亡。
证明，训练神经网以几乎完全准确地预测8个功能的三个结果之一，这很琐碎。但是，卫生当局想预测未捕获的东西：从可以在家接受治疗的患者，谁是最有不得不去医院的危险的人？从被预测住院的患者中，谁是最不幸运感染的危险的人？我们可以得到代表感染的严重程度的数字分数吗？
在本说明中，我将涵盖一个带有瓶颈的神经网和一个特殊的头脑，以从几类学习中学习评分系统，并涵盖一个可能遇到的小神经网络的某些属性。随附的代码可以在https://codeberg.org/csirmaz/category-scoring上找到。
https://codeberg.org/csirmaz/category-scoring数据集
为了说明这项工作，我开发了一个玩具示例，这是一个非线性但确定性的代码，可以从8个功能中计算出结果。该计算仅用于说明 - 不应该忠于科学；仅选择使用的功能的名称与医学示例保持一致。此注释中使用的8个功能是：
确定性代码- 先前感染了病原体A（布尔）先前感染了病原体B（布尔）急性 /电流感染病原体B（Boolean）癌症诊断（Boolean）诊断（布尔）体重与平均平均单位，任意单位（-100≤x≤100）年龄（0≤x≤x≤100）（0≤x≤100）的血压偏差（0≤x的年龄）（0≤xuntumiatu）