我刚开始学习机器学习和人工智能，最近开始接触神经网络。
我在stackoverflow上已经获取了一些信息，但目前我还无法理解从这些信息中得出的逻辑。
假设我们有4个名义值（但不是顺序的）[A, B, C, D]和2个已经标准化的数值[0.35, 0.55] – 因此有2个输入神经元，一个用于名义值，一个用于数值。我在神经网络文献中看到的通常是需要使用4个输入神经元进行编码。但我并不需要预测这些名义值。我只有一个输出神经元，它最多表示一种关系，就像我使用专家系统和规则时那样。
如果我将它们标准化为[0.2, 0.4, 0.6, 0.8]，神经网络难道不能区分它们吗？对于神经网络来说，这只是一个数字，不是吗？
我的 naive 思路和想法如下：
A 与 0.35 的数值导致理想的 1。B 与 0.55 的数值导致理想的 0。C 与 0.35 的数值导致理想的 0。D 与 0.55 的数值导致理想的 1。我的这种思考方式是否有误？
补充信息（编辑）：这些名义值被包含在决策过程中（通过与数值结合使用统计工具来衡量其重要性），取决于它们是真是假。我知道它们可以二进制编码，但名义值的列表稍微大一些。
另一个例子：
症状 A 与血液测试 1 导致诊断 X（理想情况）症状 B 与血液测试 1 导致诊断 Y（理想情况）
实际上使用了专家系统。症状是名义值，但结合血液测试值可以得到诊断。最终的主要问题是：我必须以二进制方式编码症状，还是可以用数字替换症状？如果不能用数字替换，为什么在使用神经网络时二进制表示是唯一的方式？
回答：
输入
理论上，如何编码你的输入并不重要。只要不同的样本在输入空间中被表示为不同的点，就有可能用一条线将它们分开——这就是输入层（如果是线性的）所做的——它线性地组合输入。然而，数据在输入空间中的布局方式对学习过程中的收敛时间有巨大影响。一个简单的方式来理解这一点是：想象一组线在二维空间中穿过原点。如果你的数据散布在原点周围，那么这些线中的一些可能会将数据分成几部分，并且只需要很少的“移动”，特别是如果数据是线性可分的。另一方面，如果你的输入数据密集且远离原点，那么大多数初始的输入区分线甚至不会“触及”数据。因此，需要大量的权重更新才能到达数据，并且需要大量的精确步骤来将其“切割”成初始类别。
输出
如果你有类别，那么以二进制方式编码它们是相当重要的。想象一下，你有三个类别：A、B 和 C。如果你用三个神经元将它们编码为 1;0;0、0;1;0 和 0;0;1，那么在学习过程中以及后来处理噪声数据时，网络在“拿不准”的点可能会在输出层上显示为 0.5;0.0;0.5。这有意义，如果它真的是概念上介于 A 和 C 之间，但肯定不是 B。如果你选择一个输出神经元并将 A、B 和 C 编码为 1、2 和 3，那么在相同的情况下，网络会给出 1 和 3 之间的平均值输入，这会给你 2！所以答案会是“肯定是 B”——显然是错误的！
