用于矢量数据的限制玻尔兹曼机的替代方案（而不是二进制）
我有一个非常大的语料库，每个元素都由大量的高维数据组成。 元素不断被添加到语料库中。 潜在地，每个交互只需要考虑一部分语料库。 元素被标记，可能具有与这些标签的强度相关联的多个标签和权重。 据我所知，数据并不稀少。
输入数据是大约（10-1000）个输入之间范围为-1 ... 1的一组参数。 这取决于什么机器学习方法是最合适的，这可能有些灵活。
我瞄准高端智能手机设备。 理想情况下，处理可以在同一台设备上完成，但我愿意将其传输到适中的服务器。
对于这种情况，什么是适当的机器学习方法？
我一直在读随机forrest决策树，限制玻尔兹曼机器，深度学习玻尔兹曼机器等，但我可以真正使用经验丰富的手的建议，指导我采取几种方法进行研究，这将有效地提供条件。
如果我的描述看起来不可靠，请让我知道，因为我仍然在认真思考这些想法，并可能从根本上误解某些方面。
尝试使用最简单的k-最近邻居算法。 您可以使用曼哈顿距离功能来实现快速距离功能。 然后，您可以根据最近的点数选择加权平均或多数课程。
这也与内核回归类似。 我会建议使用数据结构（如kd树）来有效地存储您的点。
链接地址: http://www.djcxy.com/p/68603.html上一篇: Alternatives to Restricted Boltzmann Machine for vector data (instead of binary)