我的问题有三个部分：（1）前馈神经网络可以处理混合的输入特征吗：有些是分类的（离散值：例如，低，中，高），有些是实值的？输入特征变量的总数约为 80 - 90，我希望解决一个（监督）分类问题 （2） 如果第 （1） 部分的答案是肯定的，我已经阅读过有关使用二进制代码（如 Low = 001、Med = 010、High = 100 等）在其他上下文中表示离散值输入特征变量的信息——这也适用于 NN 吗？我担心整个输入特征向量的缩放/规范化（我想是推荐的）--如何缩放/规范化整个混合特征向量还是不需要？（3）有人建议我使用随机森林（RF）。我对RF不是那么熟悉。在给定的上下文中使用RF与NN的优缺点是什么？
就第 2 点而言，如果您将每个分类输入转换为 k 向量（k = # 个类），您只是引入了 k 个新输入，这些输入在 [0， 1] 范围内缩放，因此，如果您的实值输入特征本身在该范围内缩放，那么您几乎没问题。
请注意，如果您使用的是 tanh 激活函数（其输出范围从 -1 到 1），则应相应地转换分类输入特征，因此（假设 k = 3）：
0 应变为 <1、-1、-1>
1 应变为 <-1、1、-1>
2 应变为 <-1、-1、1>
希望我清楚这一点。