使用表示学习进行特征提取
Feature Extraction Using Representation Learning
我是机器学习的新手，我接到了一项任务，要求我使用表示学习（例如堆叠自动编码器）从具有连续数据的数据集中提取特征。
然后我将这些提取的特征与数据集的原始特征结合起来，然后使用特征选择技术来确定我的最终特征集，这些特征将进入我的预测模型。
任何人都可以为我提供一些资源、演示或示例代码，告诉我如何开始使用它吗？我很困惑从哪里开始，希望得到一些建议！
好的，假设您有（1000 个实例和 30 个特征）的输入。根据你告诉我们的，我会做的是：
训练一个自动编码器，一个压缩输入然后解压缩的神经网络，它以您的原始输入为目标。压缩表示位于潜在 space 中，并封装了人类无法直接访问的有关输入的信息。现在你可能会在 tensorflow 或 pytorch 中找到这样的网络。 Tensorflow 更简单、更直接，因此它可能更适合您。我将为变分自动编码器提供此 link (https://keras.io/examples/generative/vae/)，它可以为您完成这项工作。它具有 Conv2D 层，因此它对图像数据的表现非常好，但您可以尝试使用该架构。我不能告诉你更多，因为你没有为你的数据集提供更多信息。然而，重要的是：
在你的自动编码器被正确训练并且你需要确定它之后，（它充分重建输入）然后你需要提取上述潜在输入（你会在 link 中找到更多）。现在，假设是 16 个数字，但您可以玩它。这 16 个数字用于保存有关您输入的信息。你说你想将这些数字与你的输入结合起来，所以不妨这样做并最终得到 46 个输入特征。现在，特征 selection 部分与 selecting 对您的模型更有用的输入特征有关。这不是很有趣，您可能会找到更多信息 (https://towardsdatascience.com/feature-selection-techniques-in-machine-learning-with-python-f24e7da3f36e)，获得 select 特征的一种方法是训练许多具有不同特征子集的模型。请记住，PCA 等技术用于特征提取，而不是 selection。我不能提供任何演示来完成整个事情，但有一些资源可以提供帮助。请记住，您的自动编码器应该为每个训练示例 return 16 个数字。您的自动编码器仅在您的训练数据上进行训练，并以您的训练数据为目标。
我是机器学习的新手，我接到了一项任务，要求我使用表示学习（例如堆叠自动编码器）从具有连续数据的数据集中提取特征。
然后我将这些提取的特征与数据集的原始特征结合起来，然后使用特征选择技术来确定我的最终特征集，这些特征将进入我的预测模型。
任何人都可以为我提供一些资源、演示或示例代码，告诉我如何开始使用它吗？我很困惑从哪里开始，希望得到一些建议！
好的，假设您有（1000 个实例和 30 个特征）的输入。根据你告诉我们的，我会做的是：
训练一个自动编码器，一个压缩输入然后解压缩的神经网络，它以您的原始输入为目标。压缩表示位于潜在 space 中，并封装了人类无法直接访问的有关输入的信息。现在你可能会在 tensorflow 或 pytorch 中找到这样的网络。 Tensorflow 更简单、更直接，因此它可能更适合您。我将为变分自动编码器提供此 link (https://keras.io/examples/generative/vae/)，它可以为您完成这项工作。它具有 Conv2D 层，因此它对图像数据的表现非常好，但您可以尝试使用该架构。我不能告诉你更多，因为你没有为你的数据集提供更多信息。然而，重要的是：
在你的自动编码器被正确训练并且你需要确定它之后，（它充分重建输入）然后你需要提取上述潜在输入（你会在 link 中找到更多）。现在，假设是 16 个数字，但您可以玩它。这 16 个数字用于保存有关您输入的信息。你说你想将这些数字与你的输入结合起来，所以不妨这样做并最终得到 46 个输入特征。现在，特征 selection 部分与 selecting 对您的模型更有用的输入特征有关。这不是很有趣，您可能会找到更多信息 (https://towardsdatascience.com/feature-selection-techniques-in-machine-learning-with-python-f24e7da3f36e)，获得 select 特征的一种方法是训练许多具有不同特征子集的模型。请记住，PCA 等技术用于特征提取，而不是 selection。我不能提供任何演示来完成整个事情，但有一些资源可以提供帮助。请记住，您的自动编码器应该为每个训练示例 return 16 个数字。您的自动编码器仅在您的训练数据上进行训练，并以您的训练数据为目标。