知识卡片
实体嵌入神经网络
实体嵌入模型改搭多输入结构:门店、星期、年、月、日、州各自接一个Embedding层(维度分别取10、6、2、6、10、6),把它们Reshape成向量后与促销特征Concatenate拼接,再送入与基线相同的1000/500全连接与sigmoid输出。这样每个类别被压成低维稠密向量,且维度可按类别数调整(如12个州用6维、1115家店用10维)。相比独热的1183维,参数量大幅下降,并能学到类别间的语义邻近关系。代价是结构更复杂、需处理多输入与采样,但验证误差降到约0.096,略优于独热版本,证明Embedding表达更有效。
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
output_model = Concatenate()(output_embeddings) output_model = Dense(1000, kernel_initializer="uniform")(output_model)
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_0002.xhtml)
- 结论依据:原文11.2.2给出各Embedding层维度、拼接结构与评估误差,支撑本卡对模型结构与优势的解释。
- 原始内容:output_model = Concatenate()(output_embeddings) output_model = Dense(1000, kernel_initializer="uniform")(output_model)