如何解释H2o深度学习输出向量？

Question

我想使用H2o深度学习模型预测标签，但我无法解释我的H2o深度学习输出。

这是我的H2o深度学习模型的模型参数。

dl_model = deeplearning.H2ODeepLearningEstimator(hidden =[200,200],
                                    epochs  = 10,
                                    missing_values_handling= 'MeanImputation',
                                    activation = "Tanh", 
                            )

我传递博客内容的word2vec向量，命名为Content.vecs，Y也是标签的word2vec。

训练模型

dl_model.train(x= Content_vecs.names,
               y= 'Y',
               training_frame   = data_split[0],
               validation_frame = data_split[1]
               )

输出结果是

**predict
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515
-0.700515**

在Original Data中，预测变量是内容，响应变量是标签。在深度学习Figure中，我将内容的Word2vec向量作为x传递，将标签作为y作为。我想使用H2o深度学习和word2vec预测单个或多个标签

Answer 1

首先，确保将distribution=指定为“multinomial”。如果您没有太多的标签，那么您可以只使用原始标签作为响应级别。否则，如果您保留数值级别，您将需要一些映射，您可以使用这些映射来查看哪些值对应于原始标记。

这里还有一个如何在H2O算法中使用word2vec的示例，让您了解目标应该是什么样子：https://github.com/h2oai/h2o-3/blob/master/h2o-py/demos/word2vec_craigslistjobtitles.ipynb以及深度学习教程：https://github.com/h2oai/h2o-tutorials/tree/master/tutorials/deeplearning