← 返回刚才阅读的位置

知识卡片

结构图卡 · 9860.e · 生成模型:Hunyuan

实验整体架构

理解等级:中级

结构图展示了一份数据、两条主线、四种组合的实验框架。原始CSV经字典化、时间拆分与标签化生成feature_train_data.pickle;一支进入神经网络主线,分别用独热编码或Embedding表示分类特征;另一支进入XGBoost主线,分别用标签化特征或训练好的嵌入向量作为输入。四条路径的输出都送进同一个evaluate_models,以相对误差指标比较,最终得出NN优于XGBoost、EE优于非EE的结论。读图要点在于:Embedding既可以直接作为神经网络的输入层,也可以被保存下来喂给树模型,这正是本章要验证的两种用法。

结构图:

classDiagram
    class RawData {
        +train.csv
        +store.csv
        +store_states.csv
    }
    class Preprocess {
        +csv2dicts()
        +set_nan_as_string()
        +feature_list()
        +LabelEncoder
        +feature_train_data.pickle
    }
    class NN_OneHot {
        +OneHotEncoder
        +Dense1000
        +Dense500
    }
    class NN_EntityEmbedding {
        +EmbeddingLayers
        +Concatenate
        +Dense1000
        +Dense500
    }
    class XGBoost_Label {
        +DMatrix
        +regLinear
    }
    class XGBoost_Embedding {
        +embed_features()
        +DMatrix
    }
    class Eval {
        +evaluate_models()
        +relativeError
    }
    RawData --> Preprocess : loadAndClean
    Preprocess --> NN_OneHot : oneHotInput
    Preprocess --> NN_EntityEmbedding : categoricalInput
    Preprocess --> XGBoost_Label : labelInput
    NN_EntityEmbedding --> XGBoost_Embedding : savedEmbeddings
    NN_OneHot --> Eval
    NN_EntityEmbedding --> Eval
    XGBoost_Label --> Eval
    XGBoost_Embedding --> Eval
这张卡片看不懂?

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

    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11.1概述与11.2至11.4各节分别实现四种组合,并统一用相对误差评估,支撑本图对实验框架的归纳。 - 原始内容:结果显示,采用了Embedding方法的算法都好于没有使用Embedding方法的算法,证明了使用Embedding能提升模型性能。