原文链接：http://tecdat.cn/?p=26709
介绍
本文是在 R 中使用 Keras 的LSTM神经网络分类简单介绍。
软件包
library(tidyverse) #导入、清理、可视化
library(keras) # 用keras进行深度学习
library(data.table) # 快速读取csv数据导入
让我们看一下数据
tst %>% head()
初步查看
让我们考虑几个 用户可能提出的“不真诚”问题的例子
trn %>% filter(tart == 1) %>% sme_n(5)
我可以理解为什么这些问题被认为是“不真诚的”：它们不是在寻求真正的答案，而是倾向于将提问者的信念陈述为事实，或者试图故意挑衅。想知道我们的模型会怎么样？
标记化
让我们从标记句子开始。
# 设置一些参数
mx_s <- 15000 # 考虑作为特征的最大词数
mxen <- 64 # 在n个词之后的文本截断
# 准备对文本进行标记
ful <- rbind(tin %>% select(qon\_t), test %>% select(quin\_ext))
tts <- full$qesio_tx
toer <- text\_tokenizer(nu\_ors = m_wods) %>% >。
fi\_txt\_ner(txt
# 符号化 - 即把文本转换成整数序列
seqnces <- tts_tseecs(toenze, txts)
rd_idex <- toker$wordiex
# 垫出文本，使所有内容都是相同的长度
daa = pad_sques(quecs, maxlen = aln)数据拆分
# 分割回训练和测试
tri_mrx = data\[1:nrow(tan),\] # 分割回训练和测试。
ttmix = da\[(nrow(ran)+1):nrow(at),\] # 准备训练标签。
# 准备好训练标签
laes = trin$trgt
# 准备一个验证集
set.seed(1337)
traingsales = nrow(trinix)*0.90
inie = sample(1:nrow(tra_trix))
trining\_idies = indices\[1:training\_samples\] 。
valdaton\_inces = indices\[(ranng\_sples + 1): (trningmes + vliiopls)\] 。
xtrin = tainmax\[trinig_dces,\] 。
y_an = labels\[ainginies\]
x\_vl = traimarix\[valito\_inces,\] y_val = labels\[traginces\]。
y_al = labels\[vlitnidies\]。
# 训练维度
dim(x_ran)
table(y_tan)
这里非常严重的不平衡，我们需要稍后解决这个问题。
嵌入
我们的第一个模型将基于一个提供的词嵌入。我们从较小的嵌入文件开始。
lis <- readLines('1M.vec')
fsti_emedisndx = nw.ev(hash = TRUE, parent = eptev())
ies <- lns\[2:legt(lie)\]
b <- tPrgssBr(min = 0, max = lenth(lns), style = 3)
for (i in 1:length(les)){
vaus <- strsplit(le, " ")\[\[1\]\]
wd<- vaus\[\[1\]\]
fsiemgndx\[\[word\]\] = as.double(vaes\[-1\])
etxPressar(pb, i)
}
# 创建我们的嵌入矩阵
faikimbddngim = 300
fawkiebiix = array(0, c(mx\_ords, faii\_mdig_m))
for (wrd in names(wrddex)){
idx <- wr_dx\[\[od\]\]
if (nex < ma_ds){
faiki\_embdg\_vctor =astwkedgdex\[\[word\]\]
if (!is.null(fasiembddigveor))
fatwki\_bednrix\[iex+1,\] <- faswiiedin\_vor # 没有嵌入的词都是零
}
模型架构
我们从一个简单的 LSTM 开始，顶层有一个用于预测的密集层。
# 设置输入
inpt <- layput(
shape = list(NULL),
# 模型层
embding <- input %>%
layeing(input\_dim = maords, output\_dim = fasing_dim, name = "embedding")
lstm <- eming %>%
layer_lstm(units = maxn,drout = 0.25, recudroput = 0.25, reseques = FALSE, name = "lstm")
dese <- lstm %>%
ladese(units = 128, actin = "rlu", name = "dese")
# 把模型集中起来
mol <- kmoel(input, preds)
# 最初冻结嵌入权重，以防止更新的权重回传，破坏我们的嵌入。
getlar(ml, name = "embedding") %>%
sehts(list(fasatrix)) %>%
frehts()
# 编译
print(model)模型训练
保持对初始基准模型的快速训练。
# 训练模型
history <- model %>% fit(
x_train,
y_train,
# 看看训练结果
print(hisy)
模型可以很容易地通过微调来改进：只需嵌入层并再训练模型几个 epoch，注意不要过度拟合。
最受欢迎的见解
1.用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
2.Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据
4.Python中用PyTorch机器学习分类预测银行客户流失模型
6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析