R 是否有任何算法可以基于一个自变量预测多个变量（响应变量）

让我用一个例子详细地问这个问题：

我有一个包含a、b、c、d、e、f、g列的历史数据集

现在我必须根据a的值来预测b，c，d，e，f，g

用一个真实的例子来代替a，b，c，d，e，f，g

考虑一个数据集，该数据集包含自行车租赁店基于租赁次数和每小时租金的收入

现在，我的目标是预测每月的租金数量和每小时的成本，以实现5万美元的收入目标

---

这能做到吗？只是需要一些指导如何做到这一点

您基本上希望最大化：

P(B|A)*P(C|A,B)*P(D|A,B,C)*P(E|A,B,C,D)*P(F|A,B,C,D,E)*P(G|A,B,C,D,E,F)

P = P(B|A)*P(C|A)*P(D|A)*P(E|A)*P(F|A)*P(G|A)

如果数据B、C、D、E、F、G均为i.i.D.，但依赖于A，则基本上您正试图最大化：

P(B|A)*P(C|A,B)*P(D|A,B,C)*P(E|A,B,C,D)*P(F|A,B,C,D,E)*P(G|A,B,C,D,E,F)

P = P(B|A)*P(C|A)*P(D|A)*P(E|A)*P(F|A)*P(G|A)

解决这一问题的一种方法是使用

训练一组or，取决于B、C、D、E、F、G的值：a->B、a->C。。。A->G与您的历史数据一起，当给出某个值A的查询时，使用所有分类器/回归器预测b、c、d、e、f、G的值

诀窍是使用多个学习者进行多个输出。注意，在I.I.D因变量的情况下，这样做没有损失，因为单独最大化每个PZ | A也会最大化P

---

如果数据不是i.i.d，最大化PB | A*PC | A，B*PD | A，B，C*PE | A，B，C，d*PF | A，B，C，d，E*PG | A，B，C，d，E，F的问题是，当存在边X | i-1，X | i，寻找非零路径时可从PX | i | i | 1，…，X | i |还原为0。

。。。如果赞成，可以这样做。此问题可能会因过于宽泛而关闭/删除。一种方法是多项式逻辑回归。也许可以尝试在CrossValidated上发布。请给我们一个示例数据，以及您迄今为止尝试过的内容。一篇好文章的概述。@JasonAizkalns多项式逻辑回归真的适合这里吗？假设b/c/d/e/f/g是自变量，而不是一个变量的类别。我认为除了单独预测每个变量之外，没有任何数学方法可以做到，对吗？凭直觉想想，你有一个数据集，上面说自行车租赁店一天的收入是基于租赁次数、每小时租金。现在我的目标是预测每月的租金数量和每小时的成本，以达到我的收入目标5万美元？这是不可能做到的$50k太多了！谢谢你，阿米特，我用一个例子编辑了我的问题！你能看一下吗！