tensorflow - 多个经过训练的模型与多个特征和一个模型

Question

我正在尝试使用 tensorflow 构建基于回归的 M/L 模型。

我尝试根据以下内容估计对象的预计到达时间:

• 与目标的距离
• 距目标的距离(X 分量)
• 距目标的距离(Y 分量)
• 速度

物体在特定的旅程中移动。这可以表示为从 A->B 或从 A->C 或从 D->F(点 1 -> 点 2)。有 500 个特定旅程(一组点之间)。这些旅程并不完全是直线，并且每次旅程都是不同的(即所采取路线的形状)。

我有两种方法来解决这个问题:

1. 我可以拥有 500 个不同的模型，具有 4 个特征和一个标签(训练 ETA 数据)。
2. 我可以拥有 1 个包含 5 个功能和 1 个标签的模型。

我的困境是，如果我使用选项 1，这会增加复杂性，但会更加准确，因为每个模型都针对每个旅程。

如果我使用选项 2，模型将非常简单，但我不知道它是否能正常工作。我要添加的新功能是 originCode+ destinationCode。不幸的是，这些无法量化以产生任何数字意义或模式 - 它们只是定义旅程的文本(旅程 A->B，并且特征将是“AB”)。

是否有某种方法可以使用一个模型，并对功能进行分类，以便一个功能只是“分组”功能(以便将训练数据与旅程分开。

Answer 1

在机器学习中，我认为选项 2通常是更好的选择。我们更喜欢通用模型，而不是针对特定任务定制许多模型，因为这会危险地接近硬编码，而这正是我们试图通过使用 ML 来避免的!

我认为，根据可用的训练数据和模型大小，可以使用 one-hot 向量来描述模型的起点/终点。例如，假设我们有 5 个点(ABCDE)，并且我们要从位置 B 到位置 C，这可以用向量表示:

0100000100

例如，前五个值对应于出发点，而后五个值对应于目的地。如果您想将输入特征空间减少到:

，也可以将它们组合起来:

01100

正如斯科特在评论中所说，还有其他事情需要考虑:

• 您有多少数据？也许这样功能空间会太大，我不能确定。如果您有足够的数据，那么模型将直观地学习数据点之间的一般距离(不是实际距离，而是数据本身的距离)。如果您有足够的数据，您甚至可以在没有数据的两点之间进行准确预测!
• 如果确实是因为没有足够的数据，那么寻找旅程的代表性特征就会派上用场，即。旅程的长度、旅程的形状、行驶的海拔等。此外，从起点出发的距离度量也可能很有用。

祝你好运!