我一直在尝试使用用户数据构建一个预测模型。模型的输入是文档的元数据（发布日期、标题等），文档标签是用户的偏好（喜欢/不喜欢）。我想问一些我遇到的问题，希望能得到一些答案：
- 喜欢的文档数量远多于不喜欢的。我在某处读到，如果某人使用一种标签的输入远多于另一种标签来训练模型，这会对性能产生不利影响（模型倾向于将所有内容分类为具有大多数输入的标签/结果）。
-
是否有可能将数字和文字混合作为机器学习算法（例如逻辑回归）的输入？如何实现，例如：
输入 = [18,23,1,0,’cryptography’]，标签 = [‘喜欢’]
此外，我们可以使用一个向量（使用tfidf等表示一个词）作为输入特征吗（例如，50维向量）？
- 为了使用文本数据构建预测模型，唯一的方法是从文档中提取每个词的字典，然后构建一个二进制输入来指示某个术语是否被提及？但是，使用这种版本我们会失去术语在集合中的权重，对吗？我们可以使用word2vec向量作为监督学习模型的单一输入吗？
感谢您的宝贵时间。
回答：
-
您需要对较大的类别进行欠采样（随机抽取一个小样本以匹配较小类别的规模），对较小的类别进行过采样（自助样本），或者使用支持不平衡数据的算法——为此您需要阅读相关文档。
-
您需要将您的词转换为词向量。列是您语料库中所有独特的词。行是文档。单元格值可以是：词是否出现在文档中，出现的次数，出现的相对频率，或者其TFIDF得分。然后，您可以将这些列与您的其他非词列一起使用。
现在，您可能拥有的列数多于行数，这意味着在基于矩阵的算法中会出现奇异性，在这种情况下，您需要使用像SVM或朴素贝叶斯这样的算法。
