们通过使用 平台上提供

机器学习 多类神经网络 我们可以使用几种不同的机器学习算法来近似我们的函数。然而我的多类神经网络取得了最佳结果。 它由许多输入神经元组成在我们的例子中我们将连接文章的名称一层内部神经元和一层输出神经元。每个输出神经元负责一个特定的行业。 这就是首先要解决的问题出现的地方。也就是说神经网络的输入端具有特定的固定数量的神经元。同时文章的名称可能具有不同数量的单词或字符。那么如何将不同长度的东西变成固定长度的东西呢？ 词袋的概念可以解决这个问题。

为了说明这一点让我们选取一些选定的文章名称将它们分解为单个单词并删除重复项。执行此操作后将创建一个由单词组成的列表例如 冰箱 这些是我们命名空间的维度。 文章名称包含上面列表中的单词一定次数零次一次或多次。因此我们可以将文章名称分配给命名空间中的特定点。 表 方面 价值 沙发 客车 折叠式 埃斯特拉 波特兰 表达 电子邮件数据 德隆吉 冰箱 表 例如名称 折叠沙发 将对应于点 。 因此我们可以为单词空间中的每个单词指定一个特定的输入神经元。然后我们将拥有与单词空间中的位置一样多的输入神经元。



机器学习 连接到输入神经元的 沙发床 使第一个神经元接收值 接下来的神经元类似直到第五个神经元其余神经元将接收值 。 这能解决我们的问题吗？ 虽然看起来是这样但是并不能解决问题。 在实践中名称中可能有很多数万个不同的单词所以我们的单词集以及输入神经元的数量都会有这个数字这对于技术的能力来说仍然太多了。此外这是一种资源浪费因为这项任务可以更巧妙地完成。