我有一些具有大约 1000 个特征的数据。问题是大多数特征都是 0。在每一行中，通常大约 100 个特征有值，其余特征是 0。下面给出了一个示例数据
ID f1 f2 f3 ........ f1000 label
1 45 0 0 32 1
2 23 0 0 0 2
3 0 40 0 0 1
4 0 0 23 24 3
5 78 0 64 0 2
如您所见，每行中有很多 0。我应该使用哪种深度神经网络方法？我在考虑 RNN 或 CNN，但我不确定这些是否是最佳选择。我在考虑一些忽略零值的方法，即在计算中不考虑零值。我认为 RNN 可以做到这一点。但我不太确定。
有一种误解认为，如果您有大量数据，深度学习通常是合适的，从您的评论来看，这就是您的情况。这通常是一个不准确的信念。
深度学习（包括 CNN 和 RNN）是具有数千个参数的复杂模型，能够对复杂关系进行建模。这种关系通常“隐藏”在大量数据中，但情况并非总是如此。您可能拥有从简单分布生成的数据，因此即使您的样本量很大，也不需要复杂的模型来近似。
这是一个虚构的例子：假设你有函数y=a*x1 + b*x2 + c*x3 + d*x4. 该函数需要所有自变量和因变量 y 之间的线性关系。您可以对该函数进行一百万次采样，但您仍然可以获得可以通过线性回归近似的数据。
谈到你的情况：要确定你需要什么样的算法，你首先需要查看你的数据，也许是通过执行统计分析。那我建议从简单的开始。首先尝试逻辑回归。模型在验证中是否令人满意？如果没有，请尝试决策树。或浅层神经网络。始终验证（您有大量数据，因此验证应该很容易！）。我（不可否认）的猜测是，您的分类问题可以用比 DNN 简单得多的算法来解决。但当然是 YMMV。
FWIW，这是与您的情况类似的另一个答案。还有一个。
为什么要使用深度学习？看来您已经拥有大量功能了。所以也许尝试使用随机森林？他们非常擅长处理异常值（在你的情况下，无用的 0 值）。
CNN 非常适合处理二维输入数据，例如图片。在处理时间序列时应该使用 RNN。在我看来，在处理抽象数据时应该使用深度学习。
我不明白你为什么决定使用 CNN 或 RNN？如果需要使用深度学习，这个问题可以通过 ANN 来解决。CNN 擅长图像识别任务。RNN 擅长时间序列分析。我建议你使用一些机器学习算法。他们可能就足够了。您还可以使用梯度提升方法。希望这有帮助。