python - 神经网络中稀疏矩阵的使用

Question

我已经开始做一个名为 Talking Data User Demographics 的项目。在这个项目中，我需要找到向我提供电话数据的人的性别和年龄组。在给我的数据集中，我只能找到几乎 70% 的数据的手机型号和手机品牌，剩下的 30% 有事件、事件标签、位置、许多其他功能，包括型号和品牌。所以，我想为有事件的设备和没有事件的设备分别建立一个模型。作为寻找正确模型的一部分，我使用了各种算法。当我尝试神经网络时，对于没有事件的设备，我的日志损失更少，所以我想对有事件的设备也尝试同样的方法，但它给出了错误“不支持稀疏矩阵”。但是，如果是这样，当我拥有没有事件的设备模型时，它运行良好。

随附的文件包含一个代码，即使在 model.fit() 中使用稀疏矩阵时也能完美运行代码。第一张图片

现在在下面的附加文件中，当将稀疏矩阵传递给 model.fit()第二个图像时，它会给出错误

请仔细阅读整个代码以获得最佳参考。代码片段

3

标签： pythonneural-networksparse-matrix

Answer 1

只是一个建议：不要在神经网络中使用稀疏矩阵，因为它会提供不好的结果。只需在运行 NN 之前使用 PCA 转换您的稀疏矩阵。例如，您在 scikit-learn 中使用了带有选项 whitening 的 PCA，这对于梯度下降也很有用。

在您的示例中，您想比较使用两个不同数据集运行的两个模型。两个不同的模型和两个不同的数据集可能会提供完全不同的结果。比较它们是没有意义的。