知识卡片
项目双维度对比设计
本章用同一份数据集做两组对照实验,以分离算法与数据表示两个变量的影响。第一组比较不同算法:传统机器学习的XGBoost与多层神经网络;第二组固定算法只改输入表示:分类特征用独热编码还是用Embedding。于是形成四种组合——独热NN、实体嵌入NN、标签化XGBoost、嵌入XGBoost,可同时回答哪种模型更强和是否该用Embedding两个问题。结果显示神经网络优于XGBoost,且无论哪种算法,使用实体嵌入EE的版本都优于不使用的版本。这种双因素对照的设计使结论更有说服力,迁移到自己的任务时也应用同样思路隔离变量。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第11章 用Embedding提升机器学习性能 · 查看原书依据
本章将使用不同算法对相同数据集进行训练,并比较它们的训练结果。这里选了传统机器学习中的经典算法(如XGBoost)和多层神经网络进行比较。除了对不同算法进行比较之外,对同一种算法,本章对其是否使用Embedding的效果也进行了比较。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第11章 用Embedding提升机器学习性能(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter15.xhtml)
- 结论依据:原文开篇点明用不同算法和不同数据预处理方式做比较,并给出NN优于传统机器学习、EE优于非EE的结论,支撑本卡对实验设计的概括。
- 原始内容:本章将使用不同算法对相同数据集进行训练,并比较它们的训练结果。这里选了传统机器学习中的经典算法(如XGBoost)和多层神经网络进行比较。除了对不同算法进行比较之外,对同一种算法,本章对其是否使用Embedding的效果也进行了比较。