我一直在寻找多输出回归的最后几周 . 我正在使用scikit学习包 . 我的机器学习问题有3个功能的输入,需要预测两个输出变量 . sklearn包中的一些ML模型支持多输出回归 . 如果模型不支持此功能,则可以使用sklearn多输出回归算法对其进行转换 . multioutput类适合每个目标的一个回归量 .
-
mulioutput回归类或支持的多输出回归算法是否将输入变量的基础关系考虑在内?
-
我应该使用神经网络而不是多输出回归算法吗?
我一直在寻找多输出回归的最后几周 . 我正在使用scikit学习包 . 我的机器学习问题有3个功能的输入,需要预测两个输出变量 . sklearn包中的一些ML模型支持多输出回归 . 如果模型不支持此功能,则可以使用sklearn多输出回归算法对其进行转换 . multioutput类适合每个目标的一个回归量 .
mulioutput回归类或支持的多输出回归算法是否将输入变量的基础关系考虑在内?
我应该使用神经网络而不是多输出回归算法吗?
1 回答
1)关于你的第一个问题,我将其分为两部分 .
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():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 .