如何处理神经网络中二进制和连续输入的混合？

我正在R中使用nnet软件包来尝试构建ANN以预测公寓（个人项目）的房地产价格。我是新来的，没有数学背景，所以请和我一起裸露。

我有二进制和连续输入变量。例如，对于神经网络，一些最初为是/否的二进制变量被转换为1/0。其他变量是连续的，如Sqft。

输入数据样本

我已将所有值标准化为0-1比例。也许Bedrooms并且Bathrooms不应该归一化，因为它们的范围仅为0-4？

这些混合输入是否给ANN带来了问题？我已经取得了不错的结果，但是仔细检查一下ANN为某些变量选择的权重似乎没有任何意义。我的代码在下面，有什么建议吗？

ANN <- nnet(Price ~ Sqft + Bedrooms + Bathrooms + Parking2 + Elevator + 
            Central.AC + Terrace + Washer.Dryer + Doorman + Exercise.Room + 
            New.York.View,data[1:700,], size=3, maxit=5000, linout=TRUE, decay=.0001)

更新： 基于以下有关将二进制输入分成每个值类的单独字段的注释，我的代码现在看起来像：

ANN <- nnet(Price ~ Sqft + Studio + X1BR + X2BR + X3BR + X4BR + X1Bath
        + X2Bath + X3Bath + X4bath + Parking.Yes + Parking.No + Elevator.Yes + Elevator.No 
        + Central.AC.Yes + Central.AC.No + Terrace.Yes + Terrace.No + Washer.Dryer.Yes 
        + Washer.Dryer.No + Doorman.Yes + Doorman.No + Exercise.Room.Yes + Exercise.Room.No 
        + New.York.View.Yes + New.York.View.No + Healtch.Club.Yes + Health.Club.No,
    data[1:700,], size=12, maxit=50000, decay=.0001)

上面代码中的隐藏节点是12个，但是我尝试了3个到25个范围的隐藏节点，它们的结果都比上面发布的原始代码中的原始参数差。我还尝试了线性输出= true / false。

我的猜测是，我需要以其他方式将数据提供给nnet，因为它无法正确解释二进制输入。要么，要么我需要给它不同的参数。

有任何想法吗？

处理这种情况的一种方法是重新缩放输入，以使它们的方差在大致相同的范围内。通常会为回归建模提供此建议，但实际上它适用于所有涉及以不同尺度衡量的变量的建模情况。这是因为二进制变量的方差通常与连续变量的方差非常不同。Gelman和Hill（2006）建议将连续输入重新缩放两个标准偏差，以获得与（未缩放）二进制输入的奇偶校验。该建议还反映在一篇论文和博客文章中。

对于神经网络，更具体的建议是对二进制输入（即-1和1）使用“效果编码”，而不是“虚拟编码”（0和1），并采取使连续变量居中的附加步骤。这些建议来自Warren Sarle 的广泛的常见问题解答，特别是“为什么不将二进制输入编码为0和1？”部分。和“我应该标准化输入变量吗？” 要点是一样的：

输入的贡献将在很大程度上取决于其相对于其他输入的可变性。

至于无序分类变量-您必须将它们分解为二进制指示符。否则，它们根本就没有意义。