История изменений
Исправление Rot1, (текущая версия) :
Какая реальная проблема скрыта за этими векторами
Все тривиально. Есть исторические данные с координатами событий. События происходят в округе, который разделен на зоны. Я собираю вектор для каждого месяца исследования, где компоненты содержат количество событий для соответствующей зоны в данный месяц.
Парами этих векторов я решил обучать нейронку, чтобы спрогнозировать долю появления событий в каждой зоне уже на следующий год. Думаю сгенерировать на обученной сети 12 векторов, и найти среднее арифметическое. Не уверен, что такое решение адекватное.
Что скрыто за этой фразой?
Скрыто то, что от меня требуют этих цифр. На векторном слое в гисах градиент правдоподобный получается. Но мне нужно как-то доказать, что это неслучайные значения. Точность можно проверить на данных за имеющийся год. Нужно число, которое будет выражать близость прогноза к этим данным. Что то вроде этого print(np.sum(np.abs(prediction_last_data-lastdata)))
Исходная версия Rot1, :
Какая реальная проблема скрыта за этими векторами
Все тривиально. Есть исторические данные с координатами событий. События происходят в округе, который разделен на зоны. Я собираю вектор для каждого месяца исследования, где компоненты содержат количество событий для соответствующей зоны в данный месяц.
Парами этих векторов я решил обучать нейронку, чтобы спрогнозировать долю появления событий в каждой зоне уже на следующий год. Думаю сгенерировать на обученной сети 12 векторов, и найти среднее арифметическое. Не уверен, что такое решение адекватное.
Что скрыто за этой фразой?
Скрыто то, что от меня требуют этих цифр. На векторном слое в гисах градиент правдоподобный получается. Но мне нужно как-то доказать, что это неслучайные значения. Точность можно проверить на данных за имеющийся год. Нужно число, которое будет выражать близость прогноза к этим данным. Что то вроде этого print(np.sum(np.abs(prediction-lastdata)))