약 20 열 (20 가지 기능)이있는 원시 데이터가 있습니다. 그 중 10 개는 연속적인 데이터이고 10 개는 범주 형입니다. 범주 형 데이터 중 일부는 50 개의 서로 다른 값 (미국)을 가질 수 있습니다. 데이터를 사전 처리 한 후 10 개의 연속 열이 10 개의 준비된 열이되고 10 개의 범주 형 값은 200 개의 1- 핫 인코딩 된 변수가됩니다. 이 200 + 10 = 210 기능을 모두 신경망에 넣으면 200-one-hot 기능 (10 범주 열)이 10 개의 연속 기능을 완전히 지배하게 될 것입니다.
아마도 한 가지 방법은 열을 함께 "그룹화"하는 것입니다. 이것이 유효한 관심사이며이 문제를 처리하는 표준 방법이 있습니까?
(나는 중요하지 않다고 생각하지만 Keras를 사용하고 있습니다.)
두 개 이상의 순차적 모델을 사용한 다음 병합하는 것을 고려 했습니까? 각 모델에는 데이터가 제공 될 때 데이터와 더 잘 일치하는 입력이 있습니다 (소시지처럼 매쉬업하는 것과는 대조적으로). 병합 후 바로 최종 출력 레이어가 만들어 지므로 최종 레이어는 특정 샘플에 가장 적합한 모델을 결정합니다. keras.io에서 : keras.io/getting-started/sequential-model-guide
—
photox
내가 찾던 것. 기여해 주셔서 감사합니다.
—
user1367204
나는 이것을 시도했고 앙상블의 val_loss (model_1, model_2)는 model_1의 val_loss보다 높고 model_2의 val_loss보다 컸다.
—
user1367204
실제로 이것을 시도했지만 실제로이 문제가 발생한다고 결정 했습니까? 이 점을 확인하기 위해 어떤 테스트를 했습니까? 결과는 어땠습니까?
—
휴 퍼킨스