有没有办法使用机器学习对离散和无限规模的数据进行分类？答案

【问题标题】：Is there a way to use Machine Learning classify discrete and infinite scale data?有没有办法使用机器学习对离散和无限规模的数据进行分类？
【发布时间】：2016-07-06 09:58:53
【问题描述】：

这样的数据：

真正的函数f(x)是：（返回一个十进制整数的圈数）

#         0  1  2  3  4  5  6  7  8  9
_f_map = [1, 0, 0, 0, 0, 0, 1, 0, 2, 1]

def f(x):
    x = int(x)
    assert x >= 0
    if x == 0:
        return 1
    r = 0
    while x:
        r += _f_map[x % 10]
        x /= 10
    return r

训练数据和测试数据可以随机产生：

data = []
target = []
for i in xrange(3000):
    x = random.randint(0, 999999) #hardcode a scale
    data.append([x])
    target.append(f(x))

真正的函数是离散的无限尺度的。

有没有办法或模型可以对这些数据进行分类？

我尝试了 SVM（支持向量机），并获得了 20% 的准确率。

【问题讨论】：

标签： machine-learning classification discrete-mathematics supervised-learning

【解决方案1】：

看起来像是顺序模型的典型用例。通过将数字视为输入网络的整数序列，您可以轻松地学习 LSTM/其他循环神经网络。此时它只需要学习求和运算和一个简单的映射（你的 f_map）。

【讨论】：