我的问题有三个部分：（1）前馈神经网络能否处理混合的输入特征：有些是分类的（离散值：例如，低，中，高），有些是实值的？输入特征变量的总数约为80-90，我希望解决（监督的）分类问题（2）如果第（1）部分的答案是肯定的，我已经阅读了关于使用二进制代码的信息，如（Low = 001，Med = 010，High = 100等，用于表示其他环境中的离散值输入特征变量 - 这对NN也有效吗？我担心整个输入特征向量的缩放/标准化（我推测这是推荐的） - 如何缩放/标准化整个混合特征向量，或者它不是必需的？ （3）有人建议我使用随机森林（RF）。我并不熟悉RF。在给定的上下文中使用RF与NN的优缺点是什么？
答案 0 :(得分：0)
我可以回答问题＃2，我对RF并没有做好准备，所以我会把这个答案留给更熟练的人。
就第2点而言，如果将每个分类输入转换为k向量（k =类的数量），则只需引入k个新输入，这些输入在[0,1]范围内缩放，所以如果你的实值输入功能本身在这个范围内缩放，你就可以了。
请注意，如果您正在使用tanh激活函数（其输出范围从-1到1），则应相应地转换分类输入要素，因此（例如k = 3）：
0应该变为＆lt; 1，-1，-1＆gt;
1应该变为＆lt; -1，-1，-1＆gt;
2应该变为＆lt; -1，-1,1＆gt;
希望我对此很清楚。