我使用二进制分类对文本进行情感分析。我通过使用适当的向量器将句子转换为向量，并使用 OneVsRest 分类器进行分类。

在另一种方法中，我的单词被转换为向量，然后我使用基于 CNN 的方法进行分类。到目前为止，在我的数据集上进行测试时，两者都给出了可比较的结果。

如果您有向量，那么已经有非常好的方法可用于二进制分类，您可以尝试。On Binary Classification with Single-Layer Convolutional Neural Networks是一本很好的读物，适合您使用 CNN 进行分类。

这是我阅读的第一批博客之一，以获得更多关于此的知识，并且不需要太多的先决条件即可理解（我假设您了解卷积和神经网络的基础知识）。

深度学习现在在 ML 中是一件很有趣的事情，因为它在许多方面都优于其他 ML 算法。卷积神经网络是实现深度学习的方法之一，它高度适用于图像、信号（时间序列）和文本等不同的数据类型。

我主要将 CNN 用于图像和信号。在我的应用程序中，我完成了二进制和多类分类。两者的理论背景相同。根据手头的问题和数据，您可能希望将多类分类分解为简单的二元分类，并在稍后阶段将它们组合起来。这些是构成模型选择的内容。

可以从两个方面考虑将深度（神经）网络应用于特征数据集。一种是在矢量化后应用于文本数据，如@HimaVarsha 所述。我没有处理过文本数据，但我的应用程序主要来自图像、信号或目录（天文目录）。我曾尝试在深度神经网络中使用基本上是数字特征（第二方面）的目录数据，但由于使网络更深，结果并没有得到显着改善——这可能是我的设计问题，也可能是特征本身。（此外，这种方法通常不被认为是深度学习中的一种学习方式，因为深度学习更多的是直接从数据中学习。但这是另一个哲学问题）使用卷积神经网络，我在更深层得到了很好的结果。

除了第一个答案中的博客链接之外，我还建议这样做。如果您想研究 CNN，Keras 博客也推荐。