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：

有没有可能把这两个网络连在一起形成一个网络？在某种意义上，输出包含是/否答案以及回归网络的答案

如果答案是肯定的，考虑到第二个网络的数据集可能更小，它是否比运行两个单独的网络更快

同样，如果答案是肯定的，我该如何着手实施这一点？使用具有不同损耗函数的2个隐藏层？每层有多少个节点？每层的激活功能是什么

---

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：

您最好在您的案例中使用管道，它有两种算法：首先是二进制分类算法，然后是预测算法。在可能的情况下，将问题分成两个不同的部分是一种良好的做法，可以提供更好的结果 这里需要指出几点：

• 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
• 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

---

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：

您最好在您的案例中使用管道，它有两种算法：首先是二进制分类算法，然后是预测算法。在可能的情况下，将问题分成两个不同的部分是一种良好的做法，可以提供更好的结果 这里需要指出几点：

• 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
• 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

---

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