神经网络混合了实值和分类输入特征答案

【问题标题】：Neural Nets Mixed Real-valued and Categorical Input Features神经网络混合了实值和分类输入特征
【发布时间】：2015-01-12 14:49:37
【问题描述】：

我的问题分为三个部分：(1) 前馈神经网络能否处理混合的输入特征：有些是分类的（离散值：例如，低、中、高），有些是实值？输入特征变量的总数约为 80 - 90，我希望解决一个（监督）分类问题（2）如果第（1）部分的答案是肯定的，我已经阅读了关于使用二进制代码的信息，例如（Low = 001、Med = 010、High = 100 等）用于表示其他上下文中的离散值输入特征变量——这也适用于 NN 吗？我担心整个输入特征向量的缩放/归一化（我认为这是推荐的）——如何缩放/归一化整个混合特征向量，还是不需要？ (3) 有人建议我使用随机森林 (RF)。我对RF不太熟悉。在给定的上下文中使用 RF 与 NN 的优缺点是什么？

【问题讨论】：

标签： machine-learning neural-network random-forest feature-selection

【解决方案1】：

就第 2 点而言，如果您将每个分类输入转换为 k 向量（其中 k = 类数），您只是引入了 k 个新输入，这些输入在 [0, 1] 范围内缩放，因此，如果您的实值输入特征本身在该范围内进行缩放，那您就可以了。

请注意，如果您使用的是 tanh 激活函数（其输出范围从 -1 到 1），您应该相应地转换您的分类输入特征，因此（例如 k = 3）：

0 应该变成

1 应该变成

2 应该变成

希望我清楚这一点。

【讨论】：