多输出回归

1 回答

• 1

  1）关于你的第一个问题，我将其分为两部分 .

  • 第一部分的答案写在你链接的文档中，也在user guide topic中，它明确指出：

  由于MultiOutputRegressor每个目标适合一个回归量，因此无法利用目标之间的相关性 .

  • 第一个问题的第二部分询问支持此问题的其他算法 . 为此，您可以查看用户指南中的"inherently multiclass"部分 . 本质上多类意味着它们不使用One-vs-Rest或One-vs-One策略来处理多类（OvO和OvR使用多个模型来适应多个类，因此可能不会使用它们之间的关系目标） . 本质上是多类意味着他们可以将多类设置构建为单个模型 . 这列出了以下内容：

  sklearn.naive_bayes.BernoulliNB
  sklearn.tree.DecisionTreeClassifier
  sklearn.tree.ExtraTreeClassifier
  sklearn.ensemble.ExtraTreesClassifier
  sklearn.naive_bayes.GaussianNB
  sklearn.neighbors.KNeighborsClassifier
  sklearn.semi_supervised.LabelPropagation
  sklearn.semi_supervised.LabelSpreading
  sklearn.discriminant_analysis.LinearDiscriminantAnalysis
  sklearn.svm.LinearSVC (setting multi_class=”crammer_singer”)
  sklearn.linear_model.LogisticRegression (setting multi_class=”multinomial”)
  ...
  ...
  ...
  

  尝试用'Regressor'替换'Classifier'，并在那里查看 fit() 方法的文档 . 例如，让我们采取DecisionTreeRegressor.fit()：

  y：类似数组，shape = [n_samples]或[n_samples，n_outputs]

  目标值（实数） .
  使用dtype = np.float64和order ='C'可以获得最大效率 .

  您看到它支持目标的二维数组（ y ） . 因此它可以使用目标的相关性和潜在关系 .

  2）现在关于使用神经网络的第二个问题，它取决于个人偏好，问题类型，数据的数量和类型，以及您想要进行的训练迭代 . 也许您可以尝试多种算法，并选择能为您的数据和问题提供最佳输出的算法 .

  回复于 2024-04-24T16:14:47+08:00