trn %>% filter(tart == 1) %>% sme_n(5)

数据拆分

# 分割回训练和测试

tri_mrx = data\[1:nrow(tan),\] # 分割回训练和测试。
ttmix = da\[(nrow(ran)+1):nrow(at),\] # 准备训练标签。


# 准备好训练标签

laes = trin$trgt


# 准备一个验证集

set.seed(1337)

traingsales = nrow(trinix)*0.90

inie = sample(1:nrow(tra_trix))
trining\_idies = indices\[1:training\_samples\] 。
valdaton\_inces = indices\[(ranng\_sples + 1): (trningmes + vliiopls)\] 。

xtrin = tainmax\[trinig_dces,\] 。
y_an = labels\[ainginies\]

x\_vl = traimarix\[valito\_inces,\] y_val = labels\[traginces\]。
y_al = labels\[vlitnidies\]。

# 训练维度

dim(x_ran)
table(y_tan)

这里非常严重的不平衡，我们需要稍后解决这个问题。

嵌入

我们的第一个模型将基于一个提供的词嵌入。我们从较小的嵌入文件开始。

# 创建我们的嵌入矩阵

faikimbddngim = 300
fawkiebiix = array(0, c(mx\_ords, faii\_mdig_m))

for (wrd in names(wrddex)){
  idx <- wr_dx\[\[od\]\]
  if (nex < ma_ds){
    faiki\_embdg\_vctor =astwkedgdex\[\[word\]\]
    if (!is.null(fasiembddigveor))
      fatwki\_bednrix\[iex+1,\] <- faswiiedin\_vor # 没有嵌入的词都是零
  }

模型架构

# 设置输入

inpt <- layput(
  shape = list(NULL),


# 模型层

embding <- input %>% 
    layeing(input\_dim = maords, output\_dim = fasing_dim, name = "embedding")

lstm <- eming %>% 
    layer_lstm(units = maxn,drout = 0.25, recudroput = 0.25, reseques = FALSE, name = "lstm")

dese <- lstm %>%
    ladese(units = 128, actin = "rlu", name = "dese") 



# 把模型集中起来

mol <- kmoel(input, preds)

# 最初冻结嵌入权重，以防止更新的权重回传，破坏我们的嵌入。

getlar(ml, name = "embedding") %>% 
  sehts(list(fasatrix)) %>% 
  frehts()


# 编译


print(model)

模型训练

保持对初始基准模型的快速训练。

模型可以很容易地通过微调来改进：只需嵌入层并再训练模型几个 epoch，注意不要过度拟合。