如何在机器学习中处理超过二维的输入数据答案

【问题标题】：How to handle input data more than 2 dimension in machine learning如何在机器学习中处理超过二维的输入数据
【发布时间】：2018-02-16 00:52:14
【问题描述】：

这些天我正在学习机器学习课程。我发现示例输入数据是这样的（例如，恶性肿瘤分类）：

/    size   gender    classification

m1  100     male      malignant

m2   50    female     benign

所有这些数据都可以放入一个m * n矩阵，其中m是样本数，n是特征数。

如果输入的数据不是行列的形式怎么办。例如，我想通过客户的订单历史来预测客户是否恶意。并且输入数据的形式为：

我有多个客户：

[c1, c2, c3]

一个客户有多个订单：

[o1, o2, o3]

每个订单都有属性：

[orderDate, itemName. itemType, isPayed]

所以我认为我不能将这些数据放入矩阵中。在程序代码中，它应该是一个三维数组。

如何处理这种数据？

【问题讨论】：

对于这类问题，理想情况下我会使用时间序列建模。检查流失率预测问题，您可能会得到一些想法。
每个客户的订单数量是否相同？
@ashwinids 不，它们是不同的
您可以使用循环神经网络及其变体。

标签： machine-learning neural-network svm

【解决方案1】：

也许您可以为每个订单使用不同的模型。如果客户不是恶意的，则每个订单都应输出 0，否则应输出 1。然后，使用复数投票以获得您的结果。

【讨论】：

嗨 gdaras，你的意思是我应该把我的问题改成恶意订单预测？ em...听起来是一种可能的解决方法
是的。实际上，您假设每个订单类别（orderName、itemName 等）都独立地指示客户订单是否是恶意的。所以逻辑是，如果很多订单类别表明你是恶意的，那么你很可能是！

【解决方案2】：

您可以将整个订单集视为可变长度的时间序列，并使用循环神经网络对该序列执行分类/预测。

例如客户 1 的时间步长可能是 o1、o2、o3，而客户 2 有 o1、o2、o3、o4、o5。

每个时间步都有 4 个特征维度（您的订单属性）。客户 1 的完整时间序列输入如下所示（每列是一个时间步长）：

+--------------+--------------+--------------+--------------+ 
| o1.orderDate | o2.orderDate | o3.orderDate | o4.orderDate |
+--------------+--------------+--------------+--------------+ 
| o1.itemName  | o2.itemName  | o3.itemName  | o4.itemName  |
+--------------+--------------+--------------+--------------+ 
| o1.itemType  | o2.itemType  | o3.itemType  | o4.itemType  |
+--------------+--------------+--------------+--------------+ 
| o1.isPaid    | o2.isPaid    | o3.isPaid    | o4.isPaid    |
+--------------+--------------+--------------+--------------+

假设训练数据被正确标记，此设置还将发现在事件之间具有某种时间依赖性的欺诈行为。

看看这个教程。

https://r2rt.com/recurrent-neural-networks-in-tensorflow-iii-variable-length-sequences.html

【讨论】：