У меня есть проблема двоичной классификации, в которой мой набор данных ориентирован на столбцы и помечен как взаимодействующий / не взаимодействующий с. Тем не менее, моя классификация зависит не только от особенностей. Это также зависит от особенностей ранее взаимодействовавшей записи. Для иллюстрации рассмотрим таблицу ниже:
id x y f1 f2 f3 label
0 0.07 1.00 0.964286 0.020507 1 1
1 0.17 0.85 0.857143 0.017643 2 1
2 0.26 0.64 0.500000 0.031085 3 1
3 0.29 0.83 1.000000 0.011411 4 1
4 0.88 0.50 0.000000 0.008371 5 1
5 0.10 0.00 0.000000 0.001471 0 0
6 0.20 0.00 0.000000 0.037341 0 0
7 0.30 0.00 0.000000 0.027771 0 0
8 0.40 0.00 1.000000 0.048377 0 0
9 0.50 0.00 1.000000 0.004371 0 0
Записи с id '0 -> 1 -> 2 -> 3 -> 4 -> 5 взаимодействовали в том же порядке. Других записей не было. Я хочу обучить нейронную сеть так, чтобы она помнила предыдущую запись, с которой взаимодействовали и давали новый набор функций, она должна быть способна правильно ее классифицировать. Рассмотрим несколько примеров ниже:
0 -> 2 не взаимодействует
0 -> 5 не взаимодействует
0 -> 1 взаимодействует
1 -> 2 -> 6 не взаимодействует
1 -> 2 -> 7 не взаимодействует
1 -> 2 -> 3 взаимодействует
Первый пример читается как --- учитывая, что запись с id 0 взаимодействовала, классифицируйте запись с id 2. Последний пример читается как --- данные записи с id 1 и 2, с которыми взаимодействовали, классифицируют запись как id 3.
Что это за архитектура подходит для этой задачи? Сеть с прямой связью не имеет никакой памяти. Могу ли я как-то закодировать это, чтобы я мог приспособить модель на основе RNN к нему? Пожалуйста, наведите меня в правильном направлении.