다중 목표 기술에 대한 학습 자료?

여러 대상이있는 데이터를 처리 할 수있는 기술에 대한 리소스 (책, 강의 노트 등)를 찾고 있습니다 (예 : 3 개의 종속 변수 : 2 개의 이산 및 1 개의 연속).

누구든지 이것에 대한 자원 / 지식이 있습니까? 신경망을 사용할 수 있다는 것을 알고 있습니다.

랜덤 포레스트 가 오히려 잘 처리합니다. 출력이 여러 개인 랜덤 포레스트가 가능 / 실용적입니까?를 참조하십시오 . 또는 scikit learn 's documentation . GBM 또는 모든 트리 기반 방법이 비슷한 방식으로 적용될 수 있다고 생각 합니다.

보다 일반적으로, 점수를 최소화하는 학습 알고리즘을 실행할 때는 일반적으로 1 차원 인 를 최소화하는 작업을 합니다. 그러나 모든 대상 기능을 지정할 수 있습니다. 당신이 (이차원) 위치 예측에 작업하는 경우 Σ 난 ( Y 전 - Y 전 ) 2 + ( X 전 - X I ) 이 될 좋은 메트릭.$\sum_i(p_i-y_i)^2$$\sum_i(\hat{y}_i-y_i)^2+(\hat{x}_i-x_i)^2$

당신이있는 경우 혼합 유형의 출력 이 연속 반응에 적용 할 배율 : (분류 및 회귀) 다음 대상 기능 아마 다른 것보다 일부 대상에 더 무게를 제공하는 대상 기능을 지정할 필요합니다 지정을? 미스 분류에 어떤 손실을 적용합니까?

추가 학업 독서에 관해서는,

SVM 구조 학습의 위키 백과

다중 출력 회귀 분석을위한 출력 및 작업 구조를 동시에 활용

다중 출력 예측을위한 랜드 마크 선택 방법 (차원에 따른 변수가 큰 거래)

이 백서 에서는 현재 분석법, 사용 가능한 툴킷 및 테스트 할 데이터 세트에 대해 설명합니다.

다중 대상 회귀 분석이 필요한 상업용 문제를 해결하기 위해 Clus 툴킷 에 우수한 성능과 견고성이 결합되어 있음을 발견했습니다.

• 문서가 우수합니다
• 툴킷에는 다중 대상 분류 및 회귀에 대한 몇 가지 방법이 있습니다
• 또한 규칙 기반 유도 및 클러스터링을 지원합니다.
• 내가 사용한 앙상블 모델 (Bagging, RandomForest)을 쉽게 읽고 해석 할 수 있습니다.

최신 메소드 중 일부 (2012 년 이후)는 Mulan 툴킷의 확장으로 구현되었습니다 . 여기 Github 링크가 있습니다. Random Linear Target Combinations와 같은 이러한 방법이 앙상블 모델보다 우수한 성능을보고하지만 툴킷이 Clus 툴킷만큼 성숙하지 않아서 사용하지 않는 것으로 나타났습니다.

베이지안은 이러한 종류의 문제를 취 합니다 . 혼합 유형의 공간적으로 인덱스 된 데이터에 대한 베이지안 비모수 적 모델 . 다중 응답 요소는 다양한 정규 분포 된 랜덤 벡터 및 그 링크 기능에 의해 처리된다. 완전한 반응은 법선 벡터, 카운트 벡터 및 베르누이 벡터의 스택입니다.