Skip to content

Machine Learning + Deep Learning + Reinforcement Learning

Notifications You must be signed in to change notification settings

chae-junho/Democratizing-Reinforcement-Learning-Models

Repository files navigation

Democratizing Reinforcement Learning Models

(神经网络+决策树+支持向量机+随机森林+朴素贝叶斯+强化学习)的综合模型

思想:秉承智者共治的理念,我们致力于降低训练成本,使得即使没有强大的GPU设备的组织或个人也能够使用AI技术。为此,我们训练了5个人工智能分类模型,并通过与环境(即人类)互动,使每个模型获得相应的话语权重。最初,我们给予训练时间最长的神经网络模型最高的权重,即0.6,而其他模型则为0.1。最后,我们采用强化学习的方法对每个模型的话语权重进行优化。


  1. 首先,我要感谢word2vec的中文预训练模型(wiki_word2vec_50.bin),它为我们的工作提供了重要的基础。

  2. 其次,我们构建了五种模型,包括朴素贝叶斯、决策树、随机森林、支持向量机以及基于BiLSTM-attention的神经网络模型。其中,基于BiLSTM-attention的神经网络模型是一种将双向长短期记忆网络(Bidirectional LSTM)和注意力机制(Attention)结合在一起的模型。

  3. 最后,我们采用了Q-learning算法进行强化学习,通过与用户的交互不断调整权重,以提高评论分类模型的性能和准确性。在每次预测后,根据用户的反馈更新权重,并使用学习率和折扣因子来平衡奖励的重要性。通过利用多个模型和动态权重调整的方式,我们实现了更准确的评论分类。


项目文件介绍:

1. 关于神经网络(nn):

  1. nn_Config.py:有神经网络相关的配置信息。

  2. nn_DataProcess.py:运行此文件可以获得此项目会用到的.txt文件。

  3. nn_main.ipynb:可以得到模型。

2. 关于朴素贝叶斯(Bayes):

  1. Bayes_Config.py :配置信息
  2. Bayes_DataProcess.py:数据预处理
  3. Bayes_main.ipynb:训练模型
  4. test_bayes.ipynb:测试模型

3. 关于随机森林(RandomForest):

  1. RandomForest_Config.py:配置信息
  2. RandomForest_DataProcess.py:数据预处理
  3. RandomForest_main.ipynb:训练模型
  4. test_randomForest.ipynb:测试模型

4. 关于支持向量机(SVM):

  1. SVM_Config.py:配置信息
  2. SVM_DataProcess.py:数据预处理
  3. SVM_main.ipynb:训练模型
  4. test_svm.ipynb:测试模型

5. 关于决策树(DecisionTree):

  1. DecisionTree_Config.py:配置信息
  2. DecisioTree_DataProcess.py:数据预处理
  3. DecisionTree_main.ipynb:训练模型
  4. test_decisionTree.ipynb:测试模型

朴素贝叶斯,随机森林,支持向量机,决策树的预测逻辑。

神经网络的预测逻辑。

8. 关于强化学习

  1. policy_Q.py:使用强化学习的思想,通过跟人类交互,优化每个模型的话语权权重。

ps:本项目参考了搜索引擎,网友们分享的代码。感谢这个万物开源的时代和精神!

About

Machine Learning + Deep Learning + Reinforcement Learning

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published