kỹ thuật máy học cho dữ liệu theo chiều dọc

Tôi đã tự hỏi nếu có bất kỳ kỹ thuật máy học (không giám sát) để mô hình hóa dữ liệu theo chiều dọc? Tôi đã luôn sử dụng các mô hình hiệu ứng hỗn hợp (chủ yếu là phi tuyến tính) nhưng tôi tự hỏi liệu có cách nào khác để làm điều này không (sử dụng máy học).

Theo học máy, ý tôi là rừng ngẫu nhiên, phân loại / phân cụm, cây quyết định và thậm chí học sâu, v.v.

Trong trường hợp có nhiều quan sát từ một đối tượng (ví dụ: nhiều lượt truy cập từ cùng một bệnh nhân), thì 'id bệnh nhân' là biến 'nhóm'. Phải cẩn thận trong quá trình đánh giá mô hình để các lượt truy cập từ cùng một bệnh nhân không xuất hiện trong cả dữ liệu đào tạo và xét nghiệm, bởi vì những điều này có tương quan và sẽ dẫn đến lạm phát độ chính xác của phân loại .

Các tài liệu cross-validation sklearn có lặp cross-validation cho dữ liệu được nhóm. Xem GroupKFold , LeftOnegroupOut và LeftPGroupsOut .

Thậm chí tốt hơn, hãy thử Mạng thần kinh tái phát hoặc Mô hình Markov ẩn .

Bạn có thể mô hình hóa chiều dọc của mình bằng các phương pháp học máy tiêu chuẩn bằng cách chỉ cần thêm các tính năng, đại diện cho chiều dọc, ví dụ: bằng cách thêm một tính năng thể hiện thời gian. Hoặc một tính năng cho biết tư cách thành viên của một nhóm, người, v.v. (trong trường hợp dữ liệu bảng điều khiển).

Nếu bạn sáng tạo với tính năng tạo / trích xuất, bạn có thể mô hình hóa mọi thứ bằng thuật toán ML.