Python 机器学习多标签目标是一系列的概率
我正在研究一个机器学习问题，其中我有一个多标签目标，其中每个标签都是一个概率。 过去我处理过多标签问题，但每个标签都是二进制的。例如，如果目标是一系列书籍主题（“Python”、“机器学习”、“童话”、“烹饪”），那么基于Python的scikit learn的机器学习书籍的目标是[1,1,0,0] 现在，对于我要解决的问题，我的目标不是二进制的。目标本身是一系列概率，如[0.75,0.25,0,0]。我认为目标是以众包的方式产生的，这些概率反映了人们判断的可变性。 因此，除非我想在类中存储概率（即p0，p>=0.5->1），否则我会陷入一个回归问题，其中目标需要限制在0和1之间。 你知道我可以尝试什么样的算法吗？我正在使用Python的scikit学习 谢谢 一个选项是使用a，因为它不需要二进制目标值，并且可以轻松处理限制在[0,1]范围内的目标值（即，当使用sigmoid或tanh激活函数时）。您还可以规范化输出，以确保多个类的概率总和为一 有关其他信息，web上有许多资源（尝试搜索术语“多层感知器概率输出”），但您可以开始或。一个选项是使用，因为它不需要二进制目标值，并且可以轻松处理限制在[0，1]范围内的目标值（即，当使用sigmoid或tanh激活函数时）。您还可以规范化输出，以确保多个类的概率总和为一Python 机器学习多标签目标是一系列的概率,python,machine-learning,scikit-learn,Python,Machine Learning,Scikit Learn,我正在研究一个机器学习问题，其中我有一个多标签目标，其中每个标签都是一个概率。 过去我处理过多标签问题，但每个标签都是二进制的。例如，如果目标是一系列书籍主题（“Python”、“机器学习”、“童话”、“烹饪”），那么基于Python的scikit learn的机器学习书籍的目标是[1,1,0,0] 现在，对于我要解决的问题，我的目标不是二进制的。目标本身是一系列概率，如[0.75,0.25,0,0]。我认为目标是以众包的方式产生的，这些概率反映了人们判断的可变性。 因此，除非我想在类中存储概率
关于更多信息，网络上有很多资源（尝试搜索术语“多层感知器概率输出”）但是，你可以开始或。 < P>你可以将这些人群来源的概率作为标签权重吗？然后你可以考虑可以考虑标签权重的训练算法，例如线性分类器或Boosting算法。 例如，如果使用朴素贝叶斯分类器，我们过去会处理标签权重为1的每个标签，现在每个标签都有一个关联的分数标签权重。如果这是文档分类的应用程序，我们可能会为两个训练实例设置一组基本真理标签，如下所示：
1. {News: 0.8, Sports: 0.5}
2. {News: 0.1, Sports: 0.8}
w1w1P(w1 | News) = (5*0.8 + 2*0.1) / (#of weighted occurrences of all words in all your News docs)
P(w1 | Sports) = (5*0.5 + 2*0.8) / (# weighted occurrences of all words in all your Sports docs)
<>注意当我们学习模型时如何考虑标签权重。基本上单词出现的次数会有折扣。 你能把那些人群来源的概率当作标签权重吗？然后你可以考虑可以考虑标签权重的训练算法，例如线性分类器或B。oosting算法 例如，如果使用朴素贝叶斯分类器，我们过去会处理标签权重为1的每个标签，现在每个标签都有一个关联的分数标签权重。如果这是文档分类的应用程序，我们可能会为两个训练实例设置一组基本真理标签，如下所示：
1. {News: 0.8, Sports: 0.5}
2. {News: 0.1, Sports: 0.8}
w1w1P(w1 | News) = (5*0.8 + 2*0.1) / (#of weighted occurrences of all words in all your News docs)
P(w1 | Sports) = (5*0.5 + 2*0.8) / (# weighted occurrences of all words in all your Sports docs)
注意我们学习模型时如何考虑标签权重。从本质上讲，一个单词出现的次数会得到折扣积分。如果你只有一个概率目标，我认为你会像你建议的那样，陷入不确定的值。当然，逻辑回归确实适用于概率，但我不确定它是否正确完全适合你正在做的事情。是否有来自众包标签商的一小部分概率？人们倾向于评估接近整数的概率，比如你的例子0.75、0.25、0、0。如果你只看到使用了少量的唯一概率，你可以有效地将它们视为使用的任意词y标签并“忘记”它们是概率。这对于您的应用程序来说可能已经足够好了。另一方面，如果您需要一种“预测”的方法4-向量，使得条目在4个元素上形成有效的离散概率分布，这要困难得多。在后一种情况下，使用基于标记训练数据的Dirichlet先验的某种贝叶斯方法会更好。正如我的经验所表明的，如果这些概率确实是基于judjment的，则bucketing是一种选择，因为这些数据中的噪声t往往是巨大的。但它也可能是一些ML生成的概率，来自NN或LDA或类似的东西。在后一种情况下，由您决定成本函数，因为假设
0.10.20.90.8