ทรัพยากรเพื่อการเรียนรู้เกี่ยวกับเทคนิคหลายเป้าหมาย?

ฉันกำลังมองหาแหล่งข้อมูล (หนังสือบันทึกการบรรยายและอื่น ๆ ) เกี่ยวกับเทคนิคที่สามารถจัดการข้อมูลที่มีเป้าหมายหลายอย่าง (เช่นตัวแปรตามสามตัว: 2 แยกและ 1 ต่อเนื่อง)

ใครบ้างมีทรัพยากร / ความรู้เกี่ยวกับเรื่องนี้? ฉันรู้ว่ามันเป็นไปได้ที่จะใช้โครงข่ายประสาทเทียมสำหรับสิ่งนี้

ป่าสุ่มจับมันค่อนข้างดีดูป่าสุ่มที่มีเอาต์พุตจำนวนมากจะเป็นไปได้ / ใช้งานได้จริงหรือไม่? หรือscikit เรียนรู้ของเอกสาร ฉันเดาว่าGBMหรือวิธีการแบบทรีสามารถปรับเปลี่ยนได้ในแบบที่คล้ายกัน

โดยทั่วไปเมื่อคุณรันอัลกอริทึมการเรียนรู้ใด ๆ ที่ทำให้คะแนนน้อยที่สุดคุณมักจะทำการลดขนาดซึ่งเป็นหนึ่งมิติ แต่คุณสามารถระบุฟังก์ชั่นเป้าหมายได้ หากคุณกำลังทำงานอยู่ (สองมิติ) ตำแหน่งทำนายΣ ผม ( Yฉัน - Y ฉัน) 2 + ( xฉัน - x ฉัน) 2จะเป็นตัวชี้วัดที่ดี$\sum_i(p_i-y_i)^2$$\sum_i(\hat{y}_i-y_i)^2+(\hat{x}_i-x_i)^2$

หากคุณมีประเภทเอาท์พุทแบบผสม (การจำแนกประเภทและการถดถอย) การระบุฟังก์ชั่นเป้าหมายอาจต้องให้คุณระบุฟังก์ชั่นเป้าหมายที่ให้น้ำหนักกับเป้าหมายบางอย่างมากกว่าเป้าหมายอื่น: การปรับขนาดที่คุณใช้กับการตอบสนองอย่างต่อเนื่อง การสูญเสียใดที่คุณใช้กับการจำแนกประเภทพลาด?

สำหรับการอ่านเชิงวิชาการเพิ่มเติม

วิกิพีเดียการเรียนรู้แบบโครงสร้างของ SVM

ใช้ประโยชน์จากเอาท์พุทพร้อมกันและโครงสร้างงานสำหรับการถดถอยหลายเอาท์พุท

วิธีการเลือกสถานที่สำคัญสำหรับการพยากรณ์ผลผลิตหลายรายการ (เกี่ยวข้องกับตัวแปรตามมิติสูง)

กระดาษนี้ทำงานได้ดีในการอธิบายวิธีการปัจจุบันชุดเครื่องมือพร้อมใช้งานและชุดข้อมูลที่จะทดสอบ

ฉันทำงานเกี่ยวกับปัญหาการค้าที่ต้องใช้การถดถอยหลายเป้าหมายและพบว่าชุดเครื่องมือ Clusมีการผสมผสานที่ดีระหว่างประสิทธิภาพสูงและความทนทาน

• เอกสารเป็นเลิศ
• ชุดเครื่องมือมีวิธีการหลายวิธีสำหรับการจำแนกประเภทหลายเป้าหมายและการถดถอย
• นอกจากนี้ยังสนับสนุนการเหนี่ยวนำตามกฎและการจัดกลุ่ม
• โมเดลวงดนตรี (Bagging, RandomForest) ที่ฉันใช้สามารถอ่านและตีความได้อย่างง่ายดาย

บางส่วนของวิธีการใหม่ (โพสต์ 2012) ได้รับการดำเนินการเป็นส่วนหนึ่งของชุดเครื่องมือมู่หลานที่นี่คือการเชื่อมโยง Github แม้ว่าวิธีการเหล่านี้เช่นชุดการสุ่มเชิงเส้นตรงเป้าหมายรายงานประสิทธิภาพที่ดีกว่าโมเดลทั้งหมด แต่ฉันพบว่าชุดเครื่องมือไม่โตเต็มที่เท่ากับชุดเครื่องมือ Clus ดังนั้นจึงไม่ได้ใช้

คชกรรมใช้เวลาในการเรียงลำดับของปัญหานี้ไม่รุ่นพาราเบส์สำหรับการจัดทำดัชนีข้อมูลเชิงพื้นที่ของประเภทของการผสม องค์ประกอบการตอบสนองหลายรายการที่ถูกจัดการโดยเวกเตอร์สุ่มแบบกระจายและฟังก์ชั่นลิงค์ต่างๆ เพื่อให้การตอบสนองที่สมบูรณ์คือสแต็คของเวกเตอร์ของ normals, เวกเตอร์ของการนับและเวกเตอร์ของ bernoullis