質問編集履歴
1
test
CHANGED
|
@@ -1 +1 @@
|
|
|
1
|
-
|
|
1
|
+
大量のカテゴリ変数を量的変数に加工する方法
|
test
CHANGED
|
@@ -1,75 +1,13 @@
|
|
|
1
|
-
|
|
1
|
+
機械学習の特徴量エンジニアリングで大量のブランドidを扱うのですが、全部をダミー変数にすると多すぎるので、なるべく量的変数に変換したいと考えています。
|
|
2
2
|
|
|
3
3
|
|
|
4
4
|
|
|
5
|
-
|
|
5
|
+
一案としてはブランドidと対のブランド名をword2vecで類似度に変換して量的変数化する方法を考えています。
|
|
6
6
|
|
|
7
7
|
|
|
8
8
|
|
|
9
|
-
|
|
9
|
+
何か大量のカテゴリ変数(id）を量的変数に変換する方法でいい方法はないでしょうか？
|
|
10
10
|
|
|
11
11
|
|
|
12
12
|
|
|
13
|
-
②kerasで作ったニューラルネットワーク(NN)
|
|
14
|
-
|
|
15
|
-
|
|
13
|
+
ご教授お願いします
|
|
16
|
-
|
|
17
|
-
model = Sequential()
|
|
18
|
-
|
|
19
|
-
model.add(Dense(1024, input_dim=5, activation='relu'))
|
|
20
|
-
|
|
21
|
-
model.add(Dense(512, activation='relu'))
|
|
22
|
-
|
|
23
|
-
model.add(Dense(256, activation='relu'))
|
|
24
|
-
|
|
25
|
-
model.add(Dense(classes, activation='softmax'))
|
|
26
|
-
|
|
27
|
-
model.compile(optimizer='rmsprop',
|
|
28
|
-
|
|
29
|
-
loss='categorical_crossentropy',
|
|
30
|
-
|
|
31
|
-
metrics=['accuracy'])
|
|
32
|
-
|
|
33
|
-
model.fit(train_x,train_y, epochs=10, batch_size=bsize)
|
|
34
|
-
|
|
35
|
-
```
|
|
36
|
-
|
|
37
|
-
③[Factorization Machines(libFM)](https://github.com/oreilly-japan/ml-at-work/blob/master/chap07/Movie_recommendation.ipynb)
|
|
38
|
-
|
|
39
|
-
|
|
40
|
-
|
|
41
|
-
のモデルをStage 0のモデルに挿入したいのですが、下記のようにモデルの本体を入れる入れ方でいいのでしょうか?
|
|
42
|
-
|
|
43
|
-
特にkerasのNNの入れ方があってるかわかりません。ご教授お願いします
|
|
44
|
-
|
|
45
|
-
|
|
46
|
-
|
|
47
|
-
---
|
|
48
|
-
|
|
49
|
-
**入れるモデルの形式**
|
|
50
|
-
|
|
51
|
-
①xgboost→ best_paramsを入れたxgb.train()
|
|
52
|
-
|
|
53
|
-
xgb.train(best_params, train_xd, num_boost_round=100)
|
|
54
|
-
|
|
55
|
-
|
|
56
|
-
|
|
57
|
-
②kerasのNN=> model.compile以降のmodel
|
|
58
|
-
|
|
59
|
-
|
|
60
|
-
|
|
61
|
-
③libFM => mcmc.FMRegression(n_iter=n_iter, rank=rank, random_state=seed)
|
|
62
|
-
|
|
63
|
-
|
|
64
|
-
|
|
65
|
-
```python
|
|
66
|
-
|
|
67
|
-
# Stage 0のモデルたち
|
|
68
|
-
|
|
69
|
-
clfs = [xgb.train(best_params, train_xd, num_boost_round=100),
|
|
70
|
-
|
|
71
|
-
model, mcmc.FMRegression(n_iter=n_iter, rank=rank, random_state=seed)
|
|
72
|
-
|
|
73
|
-
]
|
|
74
|
-
|
|
75
|
-
```
|