设计天气数据的分类问题

Posted 2023-03-12

【中文标题】设计天气数据的分类问题

【英文标题】：designing classification problem of weather data

【发布时间】：2011-06-30 14:51:19

【问题描述】：

在正常的 2 类或多类分类问题中，我们可以使用任何著名的机器学习算法，如 Naive Bayes 或 SVM 来训练和测试模型。 我的问题是我得到了天气数据，其中标签变量的格式为“20% 雨，80% 干燥”或“30% 多云，70% 雨”等。 我应该如何解决这个问题？我需要以某种方式将问题转化为回归吗？在这种情况下，如果数据中有三个标签（雨、干、多云），将百分比信息转换为连续值的正确方法是什么？ 感谢您的宝贵时间

【参考方案1】：

假设“20% 下雨，80% 干燥”和“30% 多云，70% 下雨”表示概率，则这些类是互斥的，我们可以忽略可能的序数关系（例如“干燥 > cloudy > rain") 其中，多分类逻辑回归等模型可能适合这些值，就好像它们被分组或复制一样。

我想也可以使用其他的 ad hoc 程序，例如，这将最大限度地减少 Kullback-Leibler 散度。

【参考方案2】：

我会推荐一个具有三个输出标签 Rain、Dry、Cloud 的神经网络。

如果您有标签为“20 % rain”的数据，那么实例的权重将为 0.2。如果没有“rain”标签应该包含“false”。其他方法是使用相同转换约定的 3 个不同的回归分类器。我认为回归会更好。

神经网络将是不错的选择，因为它可以同时进行所有三个回归/分类，并且它们可以相互影响。此外，训练算法很简单。