Machine learning 用于机器学习的5个输入和3个输出功能

这里需要一些建议

我试图建立一个模型，当给定5个输入特征时，它可以预测3个不同的输出特征

比如说,， 5输入特征：房屋大小、房屋楼层、房屋状况、房间数量、停车位。 3个输出特性：销售价格、购买价格、租赁价格

我现在感到困惑的是，经过训练的模型是否能够预测这3个输出？我从其他人的示例/教程中发现，他们大多只尝试在他们的模型上做一件事

---

抱歉，如果我的解释不好，我对tensorflow和机器学习是新手。

神经网络肯定可以预测/近似更多的输出。我有使用神经元调节器的经验，可以为两个电机产生控制信号

所以我没有tensorflow的经验。但这个框架来自谷歌，非常流行，所以我几乎可以肯定，它有多输出功能

---

有一个很好的例子

神经网络肯定可以预测/近似更多的输出。我有使用神经元调节器的经验，可以为两个电机产生控制信号

所以我没有tensorflow的经验。但这个框架来自谷歌，非常流行，所以我几乎可以肯定，它有多输出功能

---

有一个很好的例子

在通常的实践中，我们建立了一个模型来预测一个输出，这是因为在意外学习中，我们应该输入某些类型的变量，并找到它们与想要的输出之间的关系。因为这种关系通常不能在输入和另一个想要的输出之间工作

但我们可以有一种特殊的技术来解决您的问题：

如果我们有四个输入变量：I1，I2，I3，I4，我们需要三个输出标签（通常是离散的）：O1，O2，O3。因此，我们可以在合并原始三个输出后创建一个新的标签O4。例如，如果O1、O2、O3只能为0或1，则O4总共有2^3个可能值。因此，我们可以在四个输入变量和输出O4之间建立一个预测模型。一旦O4的值已知，O1-O3也都已知

---

然而，如果输出变量并非都是离散的，特别是使用回归技术，上述技术将不起作用。因此，为了预测三种输出，我们通常进行三次训练并建立三个模型。

在通常的实践中，我们只建立一个模型来预测一种输出，这是因为在意外学习中，我们应该输入某些类型的变量，并找到它们与想要的输出之间的关系。因为这种关系通常不能在输入和另一个想要的输出之间工作

但我们可以有一种特殊的技术来解决您的问题：

如果我们有四个输入变量：I1，I2，I3，I4，我们需要三个输出标签（通常是离散的）：O1，O2，O3。因此，我们可以在合并原始三个输出后创建一个新的标签O4。例如，如果O1、O2、O3只能为0或1，则O4总共有2^3个可能值。因此，我们可以在四个输入变量和输出O4之间建立一个预测模型。一旦O4的值已知，O1-O3也都已知

---

然而，如果输出变量并非都是离散的，特别是使用回归技术，上述技术将不起作用。所以，为了预测三个输出，我们通常进行三次训练，并制作三个模型。

是的。这是可能的。它被称为多标签分类或regression@VivekKumar，感谢您指导多标签分类。进一步研究你的答案，我发现并认为我的问题更多地与多输出回归，甚至多类多输出分类有关。是的。这是可能的。它被称为多标签分类或regression@VivekKumar，感谢您指导多标签分类。从你的答案进一步研究，我发现并认为我的问题更多地与多输出回归，甚至多类多输出分类有关。我的快速研究发现，我想多输出回归与我的问题非常接近。有没有提供好的多输出回归或多类多输出分类功能的库？我自己构建神经网络，所以我没有使用库的经验，但从我的viev来看，多分类是如此基本。所有好的库都必须有类似于多输出分类的东西，有Tensorflow、Keras、Matlab神经工具箱……我的快速研究发现多输出回归非常接近我的问题，我想。有没有提供好的多输出回归或多类多输出分类功能的库？我自己构建神经网络，所以我没有使用库的经验，但从我的viev来看，多分类是如此基本。所有好的库都必须有类似于多输出分类的东西，有Tensorflow、Keras、Matlab神经工具箱。。。