Не понимать, как реализовать вложения для категориальных функций - PullRequest
Новая
       18

Не понимать, как реализовать вложения для категориальных функций

0 голосов
/ 24 сентября 2018

Из различных примеров, которые я нашел в Интернете, я до сих пор не совсем понимаю, как создавать слои встраивания из моих категориальных данных для моделей нейронных сетей, особенно когда у меня есть смесь числовых и категориальных данных.Например, взяв набор данных, как показано ниже: 

numerical_df = pd.DataFrame(np.random.randint(0,100,size=(100, 3)), columns=['num_1','num_2','num_3'])

cat_df = pd.DataFrame(np.random.randint(0,5,size=(100, 3)), columns=['cat_1','cat_2','cat_3'])

df = numerical_df.join(cat_df)

Я хочу создать слои встраивания для моих категориальных данных и использовать их в сочетании с моими числовыми данными, но из всех примеров, которые я видел, это почтикак модель просто фильтрует весь набор данных через слой внедрения, что сбивает с толку.

В качестве примера моей путаницы ниже приведен пример из документации Keras о последовательных моделях.Это как если бы они просто добавили шаг встраивания в качестве первого слоя и поместили его на весь x_train. 

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import LSTM

max_features = 1024

model = Sequential()
model.add(Embedding(max_features, output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=16, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=16)

Так что, в конечном счете, когда дело доходит до создания матриц встраивания, существует ли один на категориальную переменную ...один для всех категориальных переменных?И как мне согласовать это с моими другими данными, которые не нуждаются в матрице встраивания?

1 Ответ

0 голосов
/ 25 сентября 2018

Чтобы объединить категориальные данные с числовыми данными, ваша модель должна использовать несколько входов с использованием функционального API.Один для каждой категориальной переменной и один для числовых входов.Вам решать, как вы хотите затем объединить все эти данные вместе, но я полагаю, что имеет смысл просто объединить все вместе и затем продолжить с остальной частью вашей модели. 

numerical_in = Input(shape=(3,))
cat_in       = Input(shape=(3,))
embed_layer  = Embedding(input_dim=5, output_dim=3, input_length=3)(cat_in)
embed_layer  = Flatten(embed_layer)
merged_layer = concatenate([numerical_in, embed_layer])
output       = rest_of_your_model(merged_layer)
model        = Model(inputs=[numerical_in, cat_in], outputs=[output])

...

model.fit(x=[numerical_df, cat_df], y=[your_expected_out])
...