我正在尝试使用机器学习将数据样本分类为好或坏的质量。
数据样本存储在关系数据库中。一个样本包含id、名称、点赞数（表示好/坏的质量指示）、评论数等属性。还有一个表，其中有带有外键指向数据样本id的项目。这些项目包含重量和名称。所有指向数据样本的项目共同描述了数据样本，这通常可以帮助对数据样本进行分类。问题是，不同样本指向一个外键的项目数量是不同的。
我想将指向特定数据样本的项目提供给机器学习输入，例如神经网络。问题是我不知道项目数量，因此我不知道需要多少个输入节点。
Q1) 当输入维度是动态的时，是否可能使用神经网络？如果可以，如何实现？
Q2) 在列表长度未知的情况下，有没有喂入网络元组的最佳实践？
Q3) 对于应用机器学习到关系数据库中，有没有最佳实践？
我不知道所有问题的答案，但也许这可以帮到你：
Q1) 你可以尝试使用一些降维方法，比如主成分分析（PCA），将所有输入对象映射到一个共同的维度中。为此，你需要选择所有长度为N的数据点，并仅使用它们来学习从维度N到维度M的映射。
例如：假设你有大小为3、4和5的输入。你需要学习从大小5到大小3的映射，可以使用所有大小为5的点来学习，以及从大小4到大小3的映射，可以使用所有大小为4的点来学习。
虽然我不认为这个方法会非常有效。
Q2) 如果Q1得到解决，这个问题就不应该再是问题了。
Q3) 对于这个问题，我只是在猜测，但也许你可以将数据库映射到一个图形上，并使用众多的图形学习算法？
另一种类型的想法是结构化预测，一个很好的例子是当你有一个句子并且你需要确定每个单词的词性时，在这种设置中，每个单词都有一个标签，标签之间的交互非常重要。对于这种类型的问题，已经有了很好的解决方法，例如潜在结构SVM，条件随机场（CRF）和最大边缘马尔可夫网络。
非常抱歉我要再次回答，但这个答案与我的第一个答案有很大不同。
可能的解决方案是：假设您的输入大小可以为3、4或5。您可以将神经网络设置为具有5个输入节点（输入的最大大小）。然后，如果出现大小为3的点，则在前3个节点上提供其值，并在剩余节点上提供虚拟值。
让我们讨论一个具体的例子：假设您的输入是R^3、R^4或R^5中的点，并且它们是二进制的：每个条目都可以取0或1的值。如果出现一个点(0,1,0,0,1)，则只需将这些值馈送到网络的5个输入节点中。如果出现一个点(0,1,1)，则将(0,1,1,-1,-1)馈送到网络中，其中-1是虚拟值。这确保了您向网络提供了“最后两个节点是特殊的”信息。
在线性分类器中，虚拟值非常危险；然而，由于神经网络不是线性的，它可以（原则上）学习任何函数，只要您提供它所需的信息并有足够的训练数据来喂它。
