Github项目推荐 | entity_embeddings_categorical：基于Keras的实体嵌入工具库

使用带有Keras的神经网络将实体嵌入到分类变量上的即插即用库

by Rodrigo Bresan

概述

本项目旨在利用Keras框架，通过神经网络对实体嵌入进行预处理、训练和提取。注意：项目还在建设中，所以请谨慎使用。

项目地址：

https://github.com/bresan/entity_embeddings_categorical

安装

如果您的计算机上已经安装了virtualenv，那么安装过程会非常简单。前提是不依赖VirtualEnv官方文档。

pip install entity-embeddings-categorical

文档

除了文档字符串，有关文档的主要内容可以在这里找到。

测试

该项目旨在满足大多数现有需求，因此可测试性是一个主要问题。 大多数代码都经过了严格的测试，Travis作为持续集成工具，一旦有新的提交就会运行所有的单元测试。

用法

本实用程序库的用法有两种模式提供：default（默认）和custom（自定义）。 在默认配置中，可以执行以下操作：回归、二进制分类和多类分类。

如果你的数据类型与这些数据类型不同，你可以随意使用自定义模式，你可以在其中定义与目标处理和神经网络输出相关的大多数配置。

默认模式

默认模式的使用非常简单，你只需要给配置对象提供一些参数：

因此，为了创建一个从文件sales_last_semester.csv读取的简单嵌入网络，其中目标名称为total_sales，所需输出为二进制分类，训练比率为0.9，我们的Python脚本如下所示：

config = Config.make_default_config(csv_path='sales_last_semester.csv', 
                                           target_name='total_sales',
                                           target_type=TargetType.BINARY_CLASSIFICATION,
                                           train_ratio=0.9)


    embedder = Embedder(config)
    embedder.perform_embedding()

看起来很简单，对吧？

你可以这里可以找到默认模式的工作示例Python脚本。

自定义模式

如果你打算自定义神经网络的输出甚至是目标变量的处理方式，则需要在创建配置对象时指定这些。 这可以通过创建从 TargetProcessor 和 ModelAssembler 扩展的类来完成。

你可以在这里找到自定义配置模式的工作示例。

可视化

完成模型训练后，可以使用模块 visualization_utils 从生成的权重中创建一些可视化操作。

以下是为Rossmann数据集创建的一些示例：

故障排除

如果项目有任何问题，或者有其他问题，请不要犹豫，在GitHub项目的issue板块上进行留言。

点击阅读原文，查看本文划线链接部分内容