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 多输入的必要性

在之前的神经网络中，往往只能接受一个数据点作为输入，并基于该数据点做出一个预测。但我们不禁会思考，仅靠球员的平均脚趾数真的能很好地进行预测吗？实际上，如果能同时为网络提供更多信息，而不只是单一的数据点，理论上网络就能做出更准确的预测。

1.2 多输入神经网络示例

以下是一个多输入神经网络的示例代码：

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)

这个数据集代表了一个赛季前四场比赛每场开始时的当前状态：
- toes ：当前球员的平均脚趾数