4、神经网络预测：多输入、多输出的奥秘

神经网络预测：多输入、多输出的奥秘

1. 多输入预测

1.1 引入多输入的必要性

在之前的简单神经网络中，往往只能接受一个数据点作为输入并基于此做出一个预测。然而，仅依靠单一数据点（如棒球运动员的平均脚趾数）进行预测，其准确性是有限的。为了提高预测的准确性，神经网络需要能够同时处理多个输入数据点。

1.2 多输入预测的实现

以下是一个简单的多输入预测的代码示例：

weights = [0.1, 0.2, 0] 
def neural_network(input, weights):
    pred = w_sum(input,weights)
    return pred

def w_sum(a,b):
    assert(len(a) == len(b))
    output = 0
    for i in range(len(a)):
        output += (a[i] * b[i])
    return output

toes = [8.5, 9.5, 9.9, 9.0]
wlrec = [0.65, 0.8, 0.8, 0.9]
nfans = [1.2, 1.3, 0.5, 1.0]
input = [toes[0],wlrec[0],nfans[0]]
pred = neural_network(input,weights)
print(pred)

在这个示例中，我们有三个输入数据点： toes （当前球员的平均脚趾数）、 wlrec