我有以下练习：
在此之后，我应该将这些值与使用决策树模型获得的值进行比较，以获得相同的数据。
对于给定的数据：
我必须规范化这些值，并且我能够规范化它们。但问题是，改变比赛字段中的值是否有意义：
然后将值标准化（0 到 1），还是应该只使用“年龄”、“薪水”和“学历”字段？
因变量将是一个新列，将薪水分为“高”和“低”。
在神经网络中归一化和使用哪些字段有意义？我可以将它们全部归一化并使用神经网络中的所有字段吗？
【问题讨论】：
标签： r neural-network decision-tree k-fold
这是一个有趣的问题。在使用神经网络时（从现代角度来看），通常最好使用尽可能多的数据，并尽量减少手动预处理的数量。
选项 1 是最糟糕的：只使用数字属性（标准化）。
选项 2 更进一步：在顺序明显的地方也使用分类属性。我想这就是你打算用“学术水平”做的事情。在这些情况下，您可以尝试将这些值转换为标准化数字。不理想，但总比不使用它们好。
选项 3：对于顺序没有意义的分类属性，您可以为每个选项创建一个布尔属性！这看起来很可怕，因为它会迅速增加维度，但这通常是一个好方法。例如，如果您有 4 个工作类别，您可以尝试使用 4 列，每个工作选项一列。
选项 4：到目前为止，最好的方法（但也是最难实现的）是使用嵌入。这类似于在自然语言处理中彻底改变深度学习使用的想法。
语言的问题与你自己的问题类似：如何将输入的单词数字化。第一种方法是将字符串中的每个单词翻译成一个向量，其中向量的长度为词汇表中单词的个数，除当前单词的索引外，其余均为0。这称为单热编码。想象一下我们的词汇是“俄罗斯、苹果、湖、梨”。那么“Apple”这个词将被编码为 [0, 1, 0, 0]。很好，但这会删除很多信息。例如，Apple 与 Pear 比与俄罗斯更相似，但 [0, 1, 0, 0] 与 [0, 0, 0, 1] 与 [1, 0, 0, 0] 相似。
但是我们可以使用密集向量！ （如 [0.12, 0.42, -0.01, 0.9]。）例如，通常将字典中的任何单词编码为 300 维向量。语义相似性和意义的细微差别将被编码在向量的不同维度中。
那么...为什么不对有问题的属性做同样的事情呢？像您建议的那样排序比赛输入是没有意义的，并且可能会混淆算法。为什么“亚洲”价值最高？为什么是“西班牙裔”和“白人”之间的“黑人”？ （使用种族之类的社会结构突出了为什么这是有问题的。）
现在，词嵌入通常经过预训练并可以重复使用。在您的情况下，您需要将这些向量作为模型参数的一部分进行训练（查找“嵌入层”）。从头开始实现它可能不是一件容易的事，但你至少知道这些可能性是件好事。如果您想尝试一下这个想法，我建议您研究一下 Fastai 的表格学习，即使对于没有太多经验的人来说，这也确实让所有这些都变得非常平易近人。
【讨论】：