我正在尝试获得有关ML的动手经验，并学习如何训练能够根据姓名预测性别的模型。
我对名称进行矢量化处理（使用了三种不同的方法进行处理）并将它们作为输入传递给模型，但是尽管如此，我只能使模型如此精确（最大约70％）
这时，在我的语料库中有32K个名称，我几乎耗尽了其他名称的来源（毕竟，如果我一直在争取其他名称，那么我的字典有时会足够大而不需要还是AI）。
所以我认为我可以通过提供有关名称的提示来“帮助”我的网络，以帮助提高其准确性。
如果我正确地理解了特征，我可以使用它们来帮助模型建立更好的准确性，方法是赋予它附加的特征以帮助更准确地预测班级。
例如这些：
<QuerySet [{'gender': 'Female', 'ends_with_a': 8089}, {'gender': 'Male', 'ends_with_a': 677}]>,
<QuerySet [{'gender': 'Female', 'ends_with_na': 1710}, {'gender': 'Male', 'ends_with_na': 93}]>
以a结尾的名字更有可能属于女性。等等。我找不到能自动从单词中合成特征的工具，因此我想自己必须自己弄清楚并提取它们。
我不了解的是如何将这些特征传递给模型，而当我要求模型为我预测班级时，模型却不要求这些特征。
准备好数据后，这是一个熊猫框架：
gender gender_count name vectorized indexised nlp_vectorized
20908 1 5 jasmely [0, ..] [9, ...] [0.44732133, 0.5620067 ...]
我使用向量化输入模型进行训练：
X = names_frame["vectorized"].values
X = np.array([np.array(l) for l in X])
Y = names_frame["gender"].values
model = Sequential()
model.add(Dense(16, input_dim=26, activation='sigmoid'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=40, batch_size=500, validation_split=.2, callbacks=[PlotLossesKeras()], verbose=False)
我可以将特征与数据一起添加到dataframe中，但是如何将其提供给模型？