1樓：Juliuszh
簡單說幾個可考慮的思路：
先驗的方法。分析該特徵取值方差的顯著性。如果特徵取值方差小，可以考慮用均值代替該特徵。
通過理論計算或者蒙特卡洛方法，分析該特徵取值變化對網路最終結果的影響的顯著性。
實驗的方法，將該特徵置 0 或者置均值，統計目標函式或相關評測指標變動的顯著性。
2樓：Xenophon Tony
這個叫Interpretable machine learning，搬運其他問題了。
要研究深度學習的可解釋性（Interpretability），應從哪幾個方面著手？
3樓：蒙特遇見卡羅
訓練或優化的過程就是根據特徵的影響力來實現的。
在某一次迭代中，對每乙個特徵做靈敏度分析，其實就是在求梯度；優化就是調整權重，根據梯度調節的。
優化結束後，每個特徵的權重就是某種意義上的影響力。
如果你非要增加某個特徵的影響力，那就更改目標函式，其實就是正則化。
4樓：gybeforever
之前沒做過，單純說一下自己的想法吧:把資料只保留某個特徵，(考慮其他特徵置為0)，餵給訓練好的模型，根據準確率來評估特徵的重要性
神經網路中對需要concat的特徵進行線性變換然後相加是否好於直接concat
民科局長 直接相加會損失資訊，比如對於 1 2 兩個特徵，相加後就是 3 和 0 3 或是 1.5 1.5 相加沒有區別。concat至少保留了所有資訊。 崔果果 第一，add方法把兩個n維的資訊壓縮至n維，而concat依然保持了2n維。從資訊量的角度來看，我們可以完全肯定，2n維包含的資訊量遠遠...
機器學習中特徵提取技術已經被神經網路中的特徵提取淘汰了嗎？
傳統影象處理還有前景嗎？膽大路野的回答 知乎 https www.zhihu.com question 342035031 answer 1771888184能啟發思路用於dl？摘抄2.在深度學習神經網路中需要特徵工程嗎？理論上是不需要的，基於端到端的特點深度學習神經網路中會在訓練中自行的學習特徵。...
卷積神經網路中卷積核是如何學習到特徵的？
去太平洋游泳 在深度學習沒出來之前，cv方向早就有了卷積核的概念。卷積核的功能多種多樣，卷積核又叫濾波器。高通濾波器和低通濾波器用的也比較多。實現的功能也不一樣，銳化鈍化，去噪，平滑。不過高通濾波器和低通濾波器卷積核的引數是固定的，提取的特徵也是單一的。後來深度學習出現了，有了自動提取特徵的功能。主...