Machine learning 有哪些随机分类器可用

假设我们有这些输入和输出数据：

1,1->1

1,1->1

1,1->1

1,1->0

1,0->0

0,1->1

0,0->0

是否有任何类型的分类器，我们可以用上述数据进行训练，当我们给出（1,1）作为输入时，75%的时间给出1，25%的时间给出0？（其余情况为100%，因为他们没有其他选择）

---

我只知道波尔兹曼机器（一种随机神经网络）。除Nnet之外的分类器如何？

事实上，任何能够输出类概率的分类器（包括朴素贝叶斯、NN、SVM）都可以这样工作。在大多数情况下，您只需选择使条件概率最大化的类

P(c|x)

在您的情况下，只需根据概率分布选择类

c ~ P(c|x)

举个例子，你用概率输出训练SVM，对于给定的输入

x1

P(1|x_1) = 0.75; P(0|x_1) = 0.25

---

然后简单地返回

1

和

75%

chance

我不理解反对票？如果你不喜欢这个问题，就不要回答！这是一个合法的问题，它符合stackoverflow的规则。所以关于编程问题，这个问题应该发布在交叉验证上。这似乎是下伏特决定论与随机论的一个原因。一个经过训练的网络总是会为一个输入生成相同的类。随机分类器不会由您决定，网络或（几乎）任何ML模型都不会像您描述的那样“继承”。随机性不是“模型类”的属性，而是你如何使用它。