r - 在神经网络分析中使用什么值？

Question

我有以下练习：

• 使用 k 折交叉验证创建神经网络。评估不同配置的性能。

在此之后，我应该将这些值与使用决策树模型获得的值进行比较，以获得相同的数据。

对于给定的数据：

我必须规范化这些值，并且我能够规范化它们。但问题是，更改比赛字段中的值是否有意义，例如：

• 亚洲 - 0
• 白色 - 1
• 其他 - 2

然后将值标准化（0 到 1），还是应该只使用“年龄”、“薪水”和“学术水平”字段？

因变量将是一个新列，将薪水分为“高”和“低”。

在神经网络中规范化和使用哪些领域是有意义的？我可以对所有这些进行归一化并使用神经网络中的所有字段吗？

标签： rneural-networkdecision-treek-fold

Answer 1

这是个有趣的问题。在使用神经网络（从现代视角）时，通常最好使用尽可能多的数据，并尽量减少手动预处理的数量。

选项 1是最糟糕的：只使用数字属性（标准化）。

选项 2更进一步：在顺序明显的地方也使用分类属性。我想这就是你打算用“学术水平”做的事情。在这些情况下，您可以尝试将这些值转换为标准化数字。不理想，但总比不使用它们好。

选项 3：对于顺序没有意义的分类属性，您可以为每个选项创建一个布尔属性！这看起来很可怕，因为它会迅速增加维度，但这通常是一个好方法。例如，如果您有 4 个工作类别，您可以尝试使用 4 列，每个工作选项一个列。

选项 4：到目前为止，最好的方法（但也是最难实现的）是使用嵌入。这类似于彻底改变深度学习在自然语言处理中的使用的想法。

语言的问题与您自己的问题相似：如何将输入的单词数字化。第一种方法是将字符串中的每个单词翻译成一个向量，其中向量的长度为词汇表中单词的个数，除当前单词的索引外，全部为0。这称为单热编码。想象一下我们的词汇是“俄罗斯、苹果、湖、梨”。那么“Apple”这个词将被编码为 [0, 1, 0, 0]。很好，但这会删除很多信息。例如，Apple 与 Pear 比与俄罗斯更相似，但 [0, 1, 0, 0] 与 [0, 0, 0, 1] 与 [1, 0, 0, 0] 相似。

但是我们可以使用密集向量！（如 [0.12, 0.42, -0.01, 0.9]。）例如，通常将字典中的任何单词编码为 300 维向量。语义相似性和意义的微妙之处将被编码在向量的不同维度中。

那么......为什么不对有问题的属性做同样的事情呢？像您建议的那样排序比赛输入是没有意义的，并且可能会混淆算法。为什么“亚洲”价值最高？为什么是“西班牙裔”和“白人”之间的“黑人”？（使用种族这样的社会结构突出了为什么这是有问题的。）

现在，词嵌入通常经过预训练并被重用。在您的情况下，您需要将这些向量作为模型参数的一部分进行训练（查找“嵌入层”）。从头开始实现它可能不是一件容易的事，但你至少知道这些可能性是件好事。如果您想尝试这个想法，我建议您研究一下 Fastai 的表格学习，即使对于没有太多经验的人来说，这也确实使所有这些都非常容易上手。