我已经开始做一个名为Talking Data User Demographics的项目。在这个项目中，我需要找到一个手机数据提供给我的人的性别和年龄组。在给我的数据集中，我只能找到几乎70%的数据的手机型号和手机品牌，剩下的30%有事件、事件标签、地点和许多其他功能，包括型号和品牌。所以，我想分别为有事件的设备和没有evnts的设备建立一个模型。作为寻找正确模型的一部分，我使用了各种算法。当我尝试神经网络时，我对没有事件的设备的日志丢失较少，因此，我也想过对有事件的设备尝试同样的方法，但它给出了错误"不支持稀疏矩阵"。但如果是这样，当我有了没有事件的设备的模型时，它运行得很好。下面我附上了一个片段作为我所说的证据，请帮助我理解这一点，任何建议都将不胜感激。
所附文件包含一个代码，即使在model.fit((中使用稀疏矩阵时，该代码也能完美地运行该代码。1st image
现在，在下面的附加文件中，它给出了稀疏矩阵传递给model.fit((第二个图像时的错误
请浏览整个代码以获得最佳参考。代码片段
3
只是一个建议：不要在神经网络中使用稀疏矩阵，因为它会提供糟糕的结果。只需在运行NN之前使用PCA变换稀疏矩阵。例如，scikit中的PCA学习选项白化，这对梯度下降也很有用。
在您的示例中，您希望比较使用两个不同数据集运行的两个模型。两种不同的模型和两个不同的数据集可能提供完全不同的结果。将它们进行比较毫无意义。