需要机器学习方法：在给定特征向量中的所有其他特征的情况下预测最可能的特征值

Posted 2023-03-12

【中文标题】需要机器学习方法：在给定特征向量中的所有其他特征的情况下预测最可能的特征值

【英文标题】：Machine Learning Approach needed: Predict most likely feature value given all other features in a feature vector

【发布时间】：2012-07-18 23:13:16

【问题描述】：

我需要一种合适的机器学习方法，它可以告诉我特征向量中某个特征的最可能值（考虑到该向量中其他特征的组合（以及从训练集中获得的知识））。我的特征向量可以包含数千个特征。然而，真正可能发生的特征组合只有极少数。我希望分类器学习这些似是而非的组合。

玩具示例：如果我的训练向量是 (0,1,2), (1,1,2), (2,2,2)，那么分类器应该预测对于未知项目 (3,1,x ) x 的最可能值是“2”。

请注意，在给定向量中其他特征的 (n-1) 个值的情况下，分类器应该能够对向量中的每个特征进行此类预测。

我已经尝试过使用朴素贝叶斯分类器...但这仅告诉我给定特征向量最可能的类别...而不是传入特征向量中特定特征的可能值。

谁能建议一个合适的方法来为我做这件事？最好参考 Python 中合适的包？

感谢和亲切的问候 -

拍拍

【问题讨论】：

这个问题在stats.stackexchange.com会更好。

【参考方案1】：

查看Scikit-Learn 中的可用内容。您正在寻找的是其中包含“回归”一词的任何内容（与分类相对）。我会从线性回归作为你的基线开始，然后根据你能负担得起的计算尝试其他一些回归技术。

【讨论】：

对于迟到的反馈感到抱歉......这是一个很好的参考资料，有很多资料可供深入研究。太感谢了！这很有帮助。

支持向量机