我猜 LSTM 对序列建模很有用，但你会如何用它来建模“聚类”呢？意思是，输入是一个序列，输出是具有相似属性的标签（我有标签数据）。例如：
input: 1 2 1 1 2 1 2 5 6 5 4 5 1 1 2 1 1 2 1
output: 1 1 1 1 1 1 1 2 2 2 2 2 1 1 1 1 1 1 1
问题是如何告诉模型学习差异而不是特定示例，因为新示例可能具有完全不同的值。我本可以教它预测 N*(N-1)/2 成对差异（相似不相似），但它不会学习动态。
如何将序列分割为相似部分？
数据挖掘
机器学习
神经网络
深度学习
2021-09-29 00:12:39
1个回答
通过忽略顺序，可以将问题重新构建为二进制分类，然后决策树算法可以学习以完美的准确度分离组。
import numpy as np
from sklearn.tree import DecisionTreeClassifier
# Define training data
training_data = np.array([1, 2, 1, 1, 2, 1, 2, 5, 6, 5, 4, 5, 1, 1, 2, 1, 1, 2, 1]).reshape(-1, 1)
training_targets = np.array([1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1]).reshape(-1, 1)
# Train a descision tree with scikit-learn
clf = DecisionTreeClassifier(max_depth=1)
clf.fit(training_data, training_targets)
# Let's if the model can predict unseen data
test_data_low = np.array([0]).reshape(1, -1)
prediction = clf.predict(test_data_low)
assert prediction == 1
test_data_high = np.array([7]).reshape(1, -1)
prediction = clf.predict(test_data_high)
assert prediction == 2
可以通过增加正则化来提高模型学习泛化（即预测总新值）的能力。在上面的例子中，增加正则化的一种方法是限制决策树的深度。我已将深度设置为单个拆分，即决策树桩。决策树桩是决策树最正规的版本。
其它你可能感兴趣的问题