知识卡片
嵌入向量的保存与复用
训练好的Embedding可以脱离神经网络单独使用。代码从模型中按层名取出各特征的权重矩阵(如store_embedding、state_embedding),连同其余嵌入一起存入embeddings.pickle。embed_features函数据此把原始8维特征展开为稠密向量:对门店、星期、年、月、日、州这6列,用index_embedding_mapping把列号映射到对应嵌入矩阵,查表取出该类别的向量拼接;store_open与promo取值太少未做嵌入,直接保留原值。这样得到的稠密特征既能复用Embedding学到的表示,又能喂给不擅长高维稀疏输入的树模型,是连接两种算法主线的关键桥梁。
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
因store_open、promo这两列至多只有两个值,没有进行Embedding,故需排除在外 index_embedding_mapping = {1: 0, 2: 1, 4: 2, 5: 3, 6: 4, 7: 5}
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第6、7点给出从层取权重保存及embed_features查表展开的实现,支撑本卡对嵌入复用机制的说明。
- 原始内容:因store_open、promo这两列至多只有两个值,没有进行Embedding,故需排除在外 index_embedding_mapping = {1: 0, 2: 1, 4: 2, 5: 3, 6: 4, 7: 5}