我有一个数据集，已在 Python 中作为数据框加载。它由 21392 行（数据实例，每一行是一个样本）和 1972 列（特征）组成。最后一列，即第 1972 列有字符串类型标签（14 个不同类别的目标标签）。在这种情况下，我想使用 CNN 对数据进行分类，并使用可用特征预测目标标签。尽管这似乎是可能的，但这是一种有点非传统的方法。但是，我对方法应该如何使用感到非常困惑，因为我找不到任何示例代码/伪代码指导使用 CNN 对非图像数据进行分类，无论是在 Tensorflow 还是 Keras 中。在这方面的任何帮助将不胜感激。干杯!
如何使用 CNN 对非图像数据进行预测？
人工智能
卷积神经网络
张量流
2021-10-19 01:13:48
3个回答
您可以对任何数据使用 CNN，但建议仅对具有空间特征的数据使用 CNN（它可能仍适用于不具有空间特征的数据，请参阅下面 DuttaA 的评论）。
例如，在图像中，某个区域的像素之间的连接会为您提供另一个特征（例如边缘），而不是来自一个像素的特征（例如颜色）。所以，只要你能塑造你的数据，并且你的数据有空间特征，你就可以使用 CNN。
对于文本分类，字符（形成单词）之间存在连接，因此您可以使用 CNN 进行字符级别的文本分类。
对于语音识别，一帧的频率与前一帧和下一帧的频率之间也存在联系，因此您也可以使用CNN 进行语音识别。
如果您的数据具有空间特征，只需将其重塑为一维数组（例如在文本中）或二维数组（例如在音频中）。Tensorflow 的函数conv1d和conv2d是通用函数，可用于任何数据。它将数据视为浮点数组，而不是图像/音频/文本。
但是如果你的数据没有空间特征，比如你的特征是price, salary,status_marriage等等。我认为你不需要 CNN，使用 CNN 也无济于事。
当您的问题是平移不变（或协变）时，卷积模型是一种选择方法。在图像分类中，如果图像的任何部分都存在牛，则应将图像分类为“牛”类。在文本分类中，短语和句子的不同顺序导致相关的含义。在语音识别中，在不同的地方使用相同的音节来构建不同的单词。
在您的问题中，您应该检查 1791 列的某些子序列是否产生相同的含义，尽管它们位于样本中的不同位置。如果答案是肯定的，那么卷积层可能会提高性能。
DeepInsight 方法已用于将表格数据转换为相应的图像，然后由 CNN 处理。这是链接https://alok-ai-lab.github.io/DeepInsight/
其它你可能感兴趣的问题