我的数据混合了文本和分类特征。它看起来像:cr_id description business type status
1 More robust system required secured loan system rejected
2 More robust system required secured loan system rejected
3 grant access to all products mortgage system rejected
4 EDAP Scenario secured loan regulatory accepted
5 grant access to all products secured loan regulatory accepted
现在在“描述”栏中,我将应用word2vec方法。结果我得到了一个300列的训练向量。现在我的问题是如何在模型中包含分类特征。我的意思是如何组合word2vec的输出和一个热编码向量,因为它们是不同的形状。代码用于形成wordvec的是:
^{pr2}$
现在我可以将这些训练的数据用于任何分类器来预测状态。现在,如上所述,我很困惑如何包括/附加分类胎儿,如类型和训练的数据,因为它们是不同的形状。在
编辑:为了更好地理解问题,trainedDatavecs如下所示:array([[-0.02591809, -0.04678563, -0.0401891 , ..., -0.00907444,
-0.02070936, -0.02332937],
[ 0.00098296, -0.00293253, 0.04667222, ..., 0.00685261,
-0.01234391, -0.03822058],
[ 0.01843361, -0.01345504, -0.01359649, ..., -0.04710409,
0.04892955, 0.02135875],
...,
[ 0.0304883 , 0.08515919, 0.01928426, ..., -0.00903708,
-0.00333895, 0.07550056],
[ 0.01843361, -0.01345504, -0.01359649, ..., -0.04710409,
0.04892955, 0.02135875],
[ 0.01843361, -0.01345504, -0.01359649, ..., -0.04710409,
0.04892955, 0.02135875]], dtype=float32)
其维数为(40,300),输入的训练数据的维数为(40,5)。300列来自于features参数的数量。在