Machine learning 多标签分类的机器学习模型，其中我们知道标签之间的关系

我手头有一个问题

我需要将输入数据分类到一个或多个标签S1、S2、S3、S4

标签S1、S2、S3和S4之间存在关系，即

如果输入标记为Sn，则必须标记为S1..Sn

S1、S2、S3和S4类似于实体X要经过的不同阶段。根据输入数据X可能通过一个或多个阶段，X必须通过S1进入S2，S2进入S3，依此类推

我们希望确保只有到达S3的X才被允许通过，因此根据输入数据，我们决定是否允许X通过S1

如果我们有像输入数据这样的信息，我们可以选择什么机器学习模型来预测X是否达到S3，以及X为该输入数据经过了哪些阶段

我认为在多标签分类的方向上，输入数据阶段S1和S2之间可能存在某种关系

更新：我必须用这样的例子来训练 1.输入数据为s1 2.输入数据为s2 3. 4.

有些疑问 你的问题很不清楚，例如：

我们希望优化大多数X到达S3，因此根据输入数据，我们决定是否允许X通过S1

实际上，最好的模型应该是“总是回答是”，因为它最大化了到达S3的对象数量（因为它只允许任何对象到达这一点）

总体思路 我假设有两种可能的解释：

您有一个标签“pipeline”，这意味着，如果对象尚未为

i

标记所有

S\u i

，则无法标记该对象

对于单个模型来说，这似乎不是问题，您可以以自然的方式对模型进行管道化，即，如果对象

x

应具有标签

S_1

，则训练一个模型

1

，该模型将进行重新分类。接下来，在训练集中具有标签

S_1

的所有数据上训练模型

2

，并预测标签

S_2

，依此类推。在执行过程中，您只需询问每个模型

i

是否接受（标记）传入对象

x

，并在第一个模型说“否”时停止

您对标签有一些更复杂的约束，这些约束可能是严格的，也可能不是。对于这种情况，您应该尝试使用约束的

多标签分类的多种方法之一，特别是关于ML的这一方面

解决方案1-近似测试函数 如果您的问题可以描述为：

• 您有数据点

  X

  ，因此对于每个数据点，您都知道通过

  X

  的一些管道可测试

  T\i

  的最大数量
• 您希望训练一个能够预测的分类器，您的点

  x

  通过的consequentive测试的最大数量是多少
• 您无法访问实际测试

  T_i

  ，或者测试效率非常低

然后，最简单的方法是应用以下训练过程，而不是一个分类器：

取所有数据点，将

y=0

标记为

0

，将

y>=1

标记为

1

，并训练一些二进制分类器（例如SVM）。因此，只需暂时重新标记数据，即可显示通过第一次测试的点和未通过测试的点。让我们调用这个分类器

cl_1

现在获取数据点，将

y=1

标记为

0

，将

y>=2

标记为

1

，然后再次训练二进制分类器，并将其命名为

cl\u 2

重复测试，直到所有测试都有了分类器，通常我们称分类器为

cl_i

，当它能够区分标有

y=i-1

的点和标有

y>=i

的点时

现在，为了对新点进行分类，您只需反复检查所有

cl_i

的

i=1，…，测试
，并用
cl_i（x）=1的最大值回答
i
。因此，您可以使用分类器“模拟”您的测试，并简单地说它通过了多少个测试的近似值

综上所述：每个测试可以用一个二元分类器近似，然后“我们的点通过的最大consequentive测试数是多少”的问题被近似为“outpoint被分类为true的最大consequentive分类器数是多少”

解决方案2-简单回归
您还可以简单地将回归从输入空间应用到它达到的测试数量中。回归实际上有一个根深蒂固的假设，即输出值是相关的。因此，如果您使用成对的
（x，y）
来训练数据，其中
y
是通过
x
的最后一次测试的次数，那么您实际上使用的是这样一个事实，即输出
y=3
与计算中的第一次获得
y=2
高度相关。这种回归（非线性！）可以简单地使用神经网络（可能是正则化的）
这听起来更像是顺序回归，而不是多标签分类。关于如何使用顺序回归的任何建议？？将s_n作为因变量，将特征作为自变量。just learn是一个回归模型，它将隐式地强制执行顺序约束（但是，这种解释对于您的类可能没有意义）