范畴变量和连续变量在深度学习中的应用

Question

我想将MLP应用于一些商业卖家的数据。我发现这些数据是分类和连续特性的混合体。对于我所读到的内容，向神经网络提供这两种类型的数据(引用未知/不可用)是不可取的，我记得我读到的神经网络可以使用以下模型：

Categorical variables-->NN model 1 
                                        ----->NN model 3---->Output
Continuous variables--->NN model 2

因此，在这个模型中，我们有两个神经网络，每个神经网络只提供分类变量或连续变量，然后将输出(来自这两个模型)提供给第三个模型。

附带注意:对于我在这个提议的模型中看到的内容，我可以以一个没完没了的“循环”结束，因为可能来自模型1的输出是绝对的，模型2的输出是连续的。(?)

我的问题是，如何使用深度学习(即神经网络)对数据进行分类和连续特征的混合建模？我不想使用随机森林或任何形式的决策树。

提前谢谢。

Answer 1

如果我理解得很好，你的主要问题是将一些范畴变量转换为连续变量，或者将一些连续变量转化为连续变量。

你有很多方法可以做到这一点：

连续到范畴:

• 您可以自己设置时间间隔，将连续值转换为一个类别。例如，对于变量Age，可以定义以下间隔：[0;10[, [10;20[, ... [90;100[。如果某人36岁，他就会在[30;40[的间隔时间。然后，您将只有10个类别。复杂的部分是找出什么是最好的间隔损失，避免失去了很多信息。

范畴到连续

• 您可以应用一些Sklearn类编码器，它会将每个类别转换为0到1之间的值(每个编码器不同)，并说明类别最终影响目标的频率。

Answer 2

如果您要求的是与合并模型相关的内容，这可能会有所帮助：

在Keras中合并两个不同的模型