科室推荐实践（随机森林模型）

数据：性别 年龄 症状（实体抽取模型抽取对主诉抽取出症状） 科室

1.训练词向量（对症状去重，生成字典，使用pkuseg.pktest()分词并指定词典）
2.将对应症状转换为词向量，加上性别，年龄 做随机森林的输入（性别，年龄至关重要，将验证集精准度从42%提高到84%）
3.将科室编码
4.拟合模型，测试集accuracy 为84%

实践中问题和解决办法：
Q:如何训练模型？年龄和性别转化为数值，但是症状如何处理？
A：首先想到编码，通过把每个症状用一个数值表示，训练后效果太差，因为一个症状和另一个症状的编码大小没有实际意义，机器学习分类需要算距离，该距离用编码无法表示。然后想到训练词向量，然后将症状用对应词向量表示，问题解决了。

Q：如果遇到以前没有过的症状，词向量该如何表示？
A：首先想到用字向量替换词向量，这样很少碰到没遇到过的字，但是由于每个症状字数不一，而模型输入维度数据需要一致，所以决定还是使用词向量，因为很少会出现以前没见过的症状（利用fasttext对字向量取平均作为整个句子向量的思想，或许可以用该症状的每个字向量相加平均得到一个结果表示词向量，这样不论多少字，维度都一致，有机会实践）

Q:
每条主诉信息对应的症状数量可能不一？如何保证模型输入维度一致
A：
设定每条主诉信息对应N个症状，如小于N，则补全为空症状，每个症状对应一个词向量，空症状对应的词向量为[0.0,0.0,…]

代码：