我有一個自由文本醫學敘述語料庫，我將用它來進行分類任務，現在大約有 4200 條記錄。首先，我希望使用 w2v 創建詞嵌入，但我有一個關于此任務的訓練測試拆分的問題。當我訓練 w2v 模型時，是否適合使用所有數據來創建模型？還是我應該只使用訓練數據來創建模型？真的，我的問題歸結為：我是獲取整個數據集，創建 w2v 模型，用模型轉換敘述，然后拆分，還是應該拆分，創建 w2v，然后獨立地轉換兩個集合？謝謝！編輯我在我的工作地點發現了一個由供應商建造的內部項目；他們創建拆分，并僅在訓練數據上創建 w2v 模型，然后在不同的工作中獨立轉換兩組；所以這是我上面指定的兩個選項中的后者。這就是我認為的情況，因為我不想在任何測試數據上污染 w2v 模型。