有没有办法使用机器学习分类离散和无限比例数据？

Question

这样的数据：

x    y
7773 0
9805 4
7145 0
7645 1
2529 1
4814 2
6027 2
7499 2
3367 1
8861 5
9776 2
8009 5
3844 2
1218 2
1120 1
4553 0
3017 1
2582 2
1691 2
5342 0
...

实函数f（x）是:(返回十进制整数的圆数）

#         0  1  2  3  4  5  6  7  8  9
_f_map = [1, 0, 0, 0, 0, 0, 1, 0, 2, 1]

def f(x):
    x = int(x)
    assert x >= 0
    if x == 0:
        return 1
    r = 0
    while x:
        r += _f_map[x % 10]
        x /= 10
    return r

训练数据和测试数据可以随机生成：

data = []
target = []
for i in xrange(3000):
    x = random.randint(0, 999999) #hardcode a scale
    data.append([x])
    target.append(f(x))

真正的功能是离散和无限的尺度。

有没有办法或模型可以对这些数据进行分类？

我尝试了SVM（支持向量机），并获得了20％的准确率。

Answer 1

看起来像是顺序模型的典型用例。您可以通过将您的数字视为网络中的整数序列来轻松学习LSTM /其他递归神经网络。此时，它只需学习求和操作和简单映射（您的f_map）。