Algorithm 适用于多条件变量的机器学习算法？

我正在研究经济数据，解释有关经济周期的行业行为。对于每个行业，我都有30个独立的因素。我的变量是每周股票收益率。这些因素包括：

• 其中一些与Y相关，并且善于解释Y的短期噪声。因此，它们在线性模型中表现良好
• 一些在特定时期具有很好的显著性，因此，例如，当我通过卡尔曼滤波估计进行动态估计时，它们在某些月份或年份具有显著性
• 最后，当使用成对条件作用或甚至三重条件作用时，一些在样本中似乎是有效的。（例如，当x1为正，x2为负时，Y为显著负，但在任何其他情况下均不显著）

我在以一种健壮的方式对最后一种类型（多案例特定变量）进行建模方面遇到了困难。我考虑过使用支持向量机、神经网络或树算法，但我不确定wich是目前最好的

---

我的问题是：你会推荐什么算法来解释第三类现象？你会推荐什么算法（如果有的话）来解释其中的3个

您是否试图发现特征对和三元组？我会用随机森林攻击第三个；在“成功”树中，这些关联应该显示为紧密相连。你也可以尝试减少特征；与一个或两个其他变量密切相关的变量将被控制和删除

此外，您是否考虑过使用FFT（快速傅立叶变换）来分析观测中的循环噪声

---

我不能推荐任何一种算法来解释这三种现象。首先，你没有给我们任何东西来描述数据的形状和纹理。其次，可用的分析模型几乎肯定过于简单和通用，无法一次完成如此深入的分析。

非常感谢@Prune。我将第一次去随机森林，推出成对和三倍条件反射。我一做完就给你回电话。