Machine learning 如何结合二元分类和回归问题
我试图解决这个问题: 一个人可能喜欢牛排,也可能不喜欢牛排,但从统计上看,这取决于该人的年龄、种族、性别等。一个喜欢牛排的人可能喜欢他们的牛排从0%煮熟到100%煮熟,并用任意量的盐调味。所有这些还取决于人的年龄、种族、性别等 我想让ML预测如下: 考虑到一个人的年龄、种族、性别等,这个人是否会喜欢牛排。如果他们喜欢牛排,他们希望牛排如何烹调,以及他们想在牛排上放多少盐 我意识到我可以把这个问题分解成两个神经网络,一个二元分类和一个多维回归 第一个网络将回答这个人是否喜欢牛排。如果这个人根本不喜欢牛排,那么为第二个网络生成输出就没有意义了。但是如果答案是肯定的,我可以将数据集的子集提供给第二个网络,然后它将回答whats 然而,我不明白的是:Machine learning 如何结合二元分类和回归问题,machine-learning,neural-network,classification,regression,Machine Learning,Neural Network,Classification,Regression,我试图解决这个问题: 一个人可能喜欢牛排,也可能不喜欢牛排,但从统计上看,这取决于该人的年龄、种族、性别等。一个喜欢牛排的人可能喜欢他们的牛排从0%煮熟到100%煮熟,并用任意量的盐调味。所有这些还取决于人的年龄、种族、性别等 我想让ML预测如下: 考虑到一个人的年龄、种族、性别等,这个人是否会喜欢牛排。如果他们喜欢牛排,他们希望牛排如何烹调,以及他们想在牛排上放多少盐 我意识到我可以把这个问题分解成两个神经网络,一个二元分类和一个多维回归 第一个网络将回答这个人是否喜欢牛排。如果这个人根本不喜
我自己还没有试过,但是你可以试着让我们知道它是否有效
由于肉可以从0%到100%烹调(虽然不确定谁会生吃牛排),但我会使用回归法来估计-1到100的牛排,其中-1表示根本不喜欢牛排,以及所有其他数字表示他们希望牛排烹调多少我自己还没有尝试过,但您可以尝试让我们知道它是否有效
由于肉可以从0%到100%烹调(虽然不确定谁会生吃牛排),但我会使用回归法估计-1到100的牛排,其中-1表示根本不喜欢牛排,以及所有其他数字表示他们希望牛排烹调多少来回答您的问题:
- 首先,神经网络并不适用于所有的机器学习问题。例如,这里您应该更好地使用其他算法李>
- 对于二元分类(即喜欢或不喜欢牛排),我不使用神经网络,而是使用SVM或逻辑回归(SVM适用于二元分类)
- 对于第二部分,您需要找到值(即人们使用多少盐,他们喜欢烹饪的百分比),因此您应该使用预测算法,而不是神经网络,这是一种分类算法。尝试在此处应用线性回归李>
有关更多信息,请参见Coursera上的ML课程,请参见第5周和第9周 要回答您的问题:
- 首先,神经网络并不适用于所有的机器学习问题。例如,这里您应该更好地使用其他算法李>
- 对于二元分类(即喜欢或不喜欢牛排),我不使用神经网络,而是使用SVM或逻辑回归(SVM适用于二元分类)
- 对于第二部分,您需要找到值(即人们使用多少盐,他们喜欢烹饪的百分比),因此您应该使用预测算法,而不是神经网络,这是一种分类算法。尝试在此处应用线性回归李>
有关更多信息,请参见Coursera上的ML课程,请参见第5周和第9周 Hmmm,有趣的问题 这不是一个两级分类+回归问题,而是一个分类+优化模型
你需要建立一个能够预测他是否喜欢牛排的模型。然后,通过调整变量(烹饪水平、香料等),使用上述机器学习作为函数,尝试最大化他喜欢牛排的概率。这可能是一个普通的暴力问题,也可能是一个适当的优化问题 Hmmm,有趣的问题 这不是一个两级分类+回归问题,而是一个分类+优化模型
你需要建立一个能够预测他是否喜欢牛排的模型。然后,通过调整变量(烹饪水平、香料等),使用上述机器学习作为函数,尝试最大化他喜欢牛排的概率。这可能是一个普通的暴力问题,也可能是一个适当的优化问题 我认为是否使用神经网络取决于数据集,对吗?例如,年龄与成熟度的数据集可以如下所示:许多老年人喜欢牛排做得很熟,而许多年轻人喜欢牛排生一点。但是,一半的中年人喜欢牛排生一点,一半的中年人喜欢牛排熟一点。然而,比如说,一般来说,女性更喜欢他们的牛排