Çok hedefli teknikleri öğrenmek için kaynaklar?

Birden çok hedefi olan verileri işleyebilecek teknikler hakkında kaynaklar (kitaplar, ders notları, vb.) Arıyorum (Ör: üç bağımlı değişken: 2 ayrık ve 1 sürekli).

Bu konuda herhangi bir kaynağı / bilgisi olan var mı? Bunun için sinir ağları kullanmanın mümkün olduğunu biliyorum.

Rastgele orman oldukça iyi idare eder, bkz. Birden fazla çıkışı olan bir Rastgele Orman mümkün / pratik olabilir mi? veya scikit öğrenmenin belgeleri . GBM veya herhangi bir ağaç tabanlı yöntem benzer bir şekilde uyarlanabilir sanırım .

$\sum_i(p_i-y_i)^2$$\sum_i(\hat{y}_i-y_i)^2+(\hat{x}_i-x_i)^2$

Eğer varsa karma tip çıkışı Eğer sürekli yanıtlara başvururum ölçekleme: (sınıflandırma ve regresyon) daha sonra hedef fonksiyonunu muhtemelen diğerinden daha bazı hedeflere daha fazla ağırlık veren bir hedef işlevini belirtecek gerekecektir belirterek? Sınıflandırmalara hangi zararı uyguluyorsunuz?

Daha fazla akademik okumaya gelince,

SVM Structured Learning kullanıcısının Wikipedia

Çoklu Çıktı Regresyonu İçin Çıktı ve Görev Yapılarını Eşzamanlı Olarak Kaldırma

Çoklu Çıktı Tahmininde Landmark Seçim Yöntemi (yüksek boyutlu bağımlı değişkenlerle ilgilenir)

Bu makale , test edilecek veri setlerinin yanı sıra mevcut yöntemleri, mevcut araç setlerini ve iyi tanımlamaları iyi bir iş haline getirmektedir.

Çok hedefli regresyon gerektiren ticari bir sorun üzerinde çalışıyorum ve Clus araç setinin yüksek performans ve sağlamlığın iyi bir karışımına sahip olduğunu buldum

• Dokümantasyon mükemmel
• Araç setinde hem çok hedefli sınıflandırma hem de regresyon için çeşitli yöntemler vardır
• Ayrıca kural tabanlı indüksiyon ve kümelemeyi de destekler.
• Kullandığım topluluk modelleri (Bagging, RandomForest) kolayca okunabilir ve yorumlanabilir.

Bazı yeni yöntemler (2012 sonrası) Mulan araç setinin bir uzantısı olarak uygulandı, işte Github bağlantısı . Rastgele Doğrusal Hedef Kombinasyonları gibi bu yöntemler, topluluk modellerinden daha iyi performans rapor etseler de, araç setinin Clus araç takımı kadar olgun olmadığını ve dolayısıyla bunları kullanmadığını gördüm.

Bayesian bu tür bir problemi ele alır: Karışık tipte uzamsal olarak indekslenmiş veriler için Bayes parametrik olmayan modeller . Çoklu tepki elemanı, normal olarak dağıtılmış çeşitli rasgele vektörler ve bunların bağlantı fonksiyonları tarafından işlenir. Böylece tam tepki normal bir vektörün, sayım vektörünün ve bernoullis vektörünün bir yığınıdır.