Tensorflow 适用于大量if/else条件的最佳神经网络模型
我有大量的数据。数据有13个参数，这些参数相互依赖，依赖关系由一些规则建立 示例：-如果说参数_-one是“A”，参数_-two是“B”，并且有规则说明参数_-one==A和参数_-two==B=>参数_-two==C，那么参数_-two应该是C（理想情况下）。所以，基本上有很多if/else语句 现在，我只有数据，我们必须让机器学习模型学习规则，这样无论何时出现任何不符合规则的数据：-如上面的例子，如果参数_三是“D”而不是“C”，那么它就是违反规则的。如何让模型学习这些规则 此外，这些规则不能手动编写，因为有很多规则，而且不可伸缩 我的尝试 我想使用一个自动编码器并通过它传递训练数据。之后，对于每个数据，我们将使用重建损失来检查它是否是违规案例。然而，这是过度拟合，不能很好地处理测试数据 我以前也尝试过使用深度神经网络，但没有用。有人能帮我吗Tensorflow 适用于大量if/else条件的最佳神经网络模型,tensorflow,machine-learning,neural-network,deep-learning,autoencoder,Tensorflow,Machine Learning,Neural Network,Deep Learning,Autoencoder,我有大量的数据。数据有13个参数，这些参数相互依赖，依赖关系由一些规则建立 示例：-如果说参数_-one是“A”，参数_-two是“B”，并且有规则说明参数_-one==A和参数_-two==B=>参数_-two==C，那么参数_-two应该是C（理想情况下）。所以，基本上有很多if/else语句 现在，我只有数据，我们必须让机器学习模型学习规则，这样无论何时出现任何不符合规则的数据：-如上面的例子，如果参数_三是“D”而不是“C”，那么它就是违反规则的。如何让模型学习这些规则 此外，这些规则不
提前感谢。您可以使用Apriori或FP Growth之类的关联规则挖掘算法来生成频繁项目集 从频繁项集可以生成关联规则 拥有关联规则后，可以为每个规则指定权重（或使用某些参数，如规则的置信度/提升度） 当您想在一个新的数据条目上测试它时，进行加权求和（如果新条目满足规则，则使用规则的权重来计算新条目的分数/总和） 如果新条目的生成分数大于所选阈值，则可以说新条目通过了预设规则，否则它违反了规则
加权求和使您能够灵活地分配关联规则的重要性。您也可以这样做，如果新条目甚至不满足其中一个关联规则，那么它就违反了预设规则。您可以使用关联规则挖掘算法（如Apriori或FP Growth）来生成频繁项目集 从频繁项集可以生成关联规则 拥有关联规则后，可以为每个规则指定权重（或使用某些参数，如规则的置信度/提升度） 当您想在一个新的数据条目上测试它时，进行加权求和（如果新条目满足规则，则使用规则的权重来计算新条目的分数/总和） 如果新条目的生成分数大于所选阈值，则可以说新条目通过了预设规则，否则它违反了规则
加权求和使您能够灵活地分配关联规则的重要性。您也可以这样做，如果新条目甚至不满足一个关联规则，那么它就违反了预设规则。自动编码器不是个坏主意。数据集有多大？您是如何对这些功能进行编码的？也许像Apriori这样的关联规则挖掘算法可以帮助您显式地查找规则。@marcoromelli训练数据集是300万。它只有不同的数据。为了验证，我有150万个数据。对于编码，我们将其转换为一个热编码向量并使用它。我将检查Apriori算法。对于如此大的数据集，过度拟合应该不会是一个问题。尝试调整自动编码器架构。如果你发布一些代码，人们可以更容易地帮助你。不，我们已经删除了重复的行。所有的训练行都是不同的。自动编码器不是个坏主意。数据集有多大？您是如何对这些功能进行编码的？也许像Apriori这样的关联规则挖掘算法可以帮助您显式地查找规则。@marcoromelli训练数据集是300万。它只有不同的数据。为了验证，我有150万个数据。对于编码，我们将其转换为一个热编码向量并使用它。我将检查Apriori算法。对于如此大的数据集，过度拟合应该不会是一个问题。尝试调整自动编码器架构。如果你发布一些代码，人们可以更容易地帮助你。不，我们已经删除了重复的行。所有训练行都是不同的。