Neataptic 机器学习 - 根据特征或样本展平输入或嵌套

Question

我正在 NodeJS 中使用 Neaptic 学习 ML NEAT。

我正在制作一个基本的天气预报模型。本质上预测下一个温度。

我有这种类型的数据，我想提供过去 3 天的样本，其中包含 2 个特征日期和 avgTemp。

      {
        "inputs": [
          {
            "AvgTemperature": "47.9",
            "Date": "1/1/2020"
          },
          {
            "AvgTemperature": "47.8",
            "Date": "1/2/2020"
          },
          {
            "AvgTemperature": "48.8",
            "Date": "1/3/2020"
          },
        ],
        "expectedOutput": {
          "AvgTemperature": "46.9"
        }
      },
    ]

我不确定网络期望什么格式。

这些是我的一些想法：

genom.activate([
[47.9, 1/1/2020],
[50, 1/2/2020],
[55, 1/3/2020]
])

with a network setup of maybe 
/*
const inputLen = 3 //To represent 3 samples
//or
const inputLen = 2 //To represent 2 features
const inputLen = [3,2] //To represent 3 samples and 2 features
*/
            const outputLen = 1

            this.neat = new Neat(
                inputLen,
                outputLen,
                null,
                {
                    elitism: 5,
                    popsize: 50,
                    mutationRate: 0.3,
                    network: new architect.Random(inputLen, 3, outputLen),
                }
            );

或者我认为最有可能的是，我需要扁平化输入。如果是这样的话，我应该如何压平它，就像下面的任何一个一样。如果我确实需要将其展平，我假设是 features*samples=inputLen 它如何通过日期知道哪些是不同的功能，哪些是相似的，或者这并不重要，它只会找到自己的方式来关联时间和日期。

genom.activate([date, temp, date, temp ...])
//or 
genom.activate([date, date, temp, temp ...])  

---- 旁注 ----

• 是的，我将标准化我的输入值
• 我有大约 600 块样本，我将喂它。
• 我用谷歌搜索了这个并查看了这个网站。虽然我找不到太多关于neaptic的具体内容以及是否需要展平数据，但我更多地找到了如何.展平（）数组。

Answer 1

来自官方存储库：

// this network learns the XOR gate (through neuro-evolution)
var network = new Network(2,1);

var trainingSet = [
  { input: [0,0], output: [0] },
  { input: [0,1], output: [1] },
  { input: [1,0], output: [1] },
  { input: [1,1], output: [0] }
];

await network.evolve(trainingSet, {
  equal: true,
  error: 0.03
});

这意味着样本的数据类型预计为：

let trainingSet: { input: number[], output: number[] }[];

这是一个对象数组，其中包含属性

input

的数字列表，以及属性

output

的数字列表。