Tôi đang tìm kiếm tài nguyên (sách, ghi chú bài giảng, v.v.) về các kỹ thuật có thể xử lý dữ liệu có nhiều mục tiêu (Ví dụ: ba biến phụ thuộc: 2 rời rạc và 1 liên tục).
Có ai có bất kỳ nguồn lực / kiến thức về điều này? Tôi biết rằng có thể sử dụng các mạng thần kinh cho việc này.
Câu trả lời:
Rừng ngẫu nhiên xử lý khá tốt, xem Rừng ngẫu nhiên có nhiều đầu ra có khả thi / thực tế không? hoặc scikit tìm hiểu tài liệu . Tôi đoán GBM hoặc bất kỳ phương pháp dựa trên cây nào cũng có thể được điều chỉnh theo cách tương tự.
Nếu bạn có đầu ra kiểu hỗn hợp (phân loại và hồi quy) thì việc chỉ định hàm mục tiêu có thể sẽ yêu cầu bạn chỉ định một hàm mục tiêu có trọng số hơn cho một số mục tiêu so với các mục tiêu khác: bạn áp dụng tỷ lệ nào cho các phản hồi liên tục? Những mất mát nào bạn áp dụng cho phân loại bỏ lỡ?
Đối với việc đọc thêm học thuật,
Wikipedia cấu trúc học tập của SVM
Đồng thời tận dụng cấu trúc đầu ra và nhiệm vụ cho hồi quy đa đầu ra
Phương pháp lựa chọn Landmark cho dự đoán nhiều đầu ra (xử lý các biến phụ thuộc chiều cao)
Bài viết này thực hiện tốt công việc mô tả các phương pháp hiện tại, bộ công cụ có sẵn, cũng như các bộ dữ liệu để kiểm tra.
Tôi tình cờ làm việc với một vấn đề thương mại đòi hỏi hồi quy đa mục tiêu và tôi thấy rằng bộ công cụ Clus có sự pha trộn tốt giữa hiệu suất cao và độ mạnh mẽ
Một số phương pháp mới hơn (bài 2012) đã được triển khai như một phần mở rộng của bộ công cụ Mulan, đây là liên kết Github . Mặc dù các phương pháp này như Kết hợp mục tiêu tuyến tính ngẫu nhiên báo cáo hiệu suất tốt hơn so với các mô hình tập hợp, tôi thấy rằng bộ công cụ không hoàn thiện như bộ công cụ Clus và do đó không sử dụng chúng.
Một Bayes xử lý loại vấn đề này: các mô hình không tham số Bayes cho dữ liệu được lập chỉ mục không gian của loại hỗn hợp . Phần tử phản hồi nhiều được xử lý bởi các vectơ ngẫu nhiên phân phối thông thường và các hàm liên kết của chúng. Vì vậy, đáp ứng hoàn chỉnh là một chồng của một vectơ quy tắc, vectơ đếm và vectơ của bernoullis.