Я пытаюсь построить RNN, чтобы предсказать возможность того, что игрок будет играть в матче, а также счет прогонов и калитки, взятые игроком. Я бы использовал LSTM, чтобы производительность в текущем матче влияла на будущий выбор игрока.
Обзор архитектуры:
Функции ввода: сведения о матче — место проведения, участвующие команды, команда, отбивающая первой.
Входные образцы: список игроков обеих команд.
Вывод:
- Дискретный: Бинарный: Играл ли игрок.
- Дискретный: калитки сняты.
- Непрерывный: Засчитанные пробеги.
- Непрерывный: Подача шаров.
Вопрос:
- Чаще всего RNN использует «Softmax» или «MSE» на последних слоях для обработки «a» из LSTM, предоставляя в качестве вывода только одну переменную «Y». Но здесь есть четыре зависимых переменных (2 дискретных и 2 непрерывных). Можно ли сшить вместе все четыре в качестве выходных переменных?
- Если да, как мы справимся с сочетанием непрерывных и дискретных выходов с функцией потерь?
(Хотя выходные данные LSTM «a» имеют несколько функций и переносят информацию в следующий временной интервал, нам нужно несколько функций на выходе для обучения на основе реальных данных)