machine-learning - 复杂的机器学习应用

Question

2个关于机器学习算法的问题，如线性/逻辑回归、ANN、SVM：

1. 这些算法中的模型正在处理每个示例都没有的数据集。特征和一个输出可能值（例如：获取具有特征 f 的房屋价格）但是如果这些特征足以产生关于感兴趣项目的不止一个信息，这意味着不止一个输出怎么办？！以这个为例：一个关于汽车的数据集，其中每个示例（汽车）具有以下特征（初始速度、加速度和时间），在现实世界中，这些特征足以知道两个变量：速度v = v_i + at路径和距离路径，s = (v_i * t ) + (0.5 * a *t^2 )所以我希望 具有输出X功能的示例和(x1 , x2 , ... , xn)y1y2在同一步骤中，以便在训练模型之后，如果给出具有初始速度和加速度的新车示例。和时间，模型将能够同时预测速度和距离，这可能吗？

2. 在房屋的价格预测示例中，X 给出的示例带有(x1, x2, x3)模型预测价格的特征，该过程可以通过任何方式逆转吗？意思是如果我给出X带有特征的模型示例x1，x2价格y可以预测特征x3吗？

Answer 1

1. 取决于型号。线性回归等线性模型无法可靠地学习距离公式，因为它是给定变量的三次函数。您需要添加 v×t 和 a×t² 作为特征来获得对距离的良好预测。但是，在给定足够数据的情况下，非线性模型（例如三次核 SVM 回归或多层 ANN）应该能够从给定的特征中学习到这一点。

   更一般地说，使用单个模型预测多个值有时有效，有时无效——当有疑问时，只需拟合几个模型即可。

2. 你可以试试。它是否会起作用取决于变量和模型之间的关系。