我正在研究机器学习问题，如下所示：
输入变量
Categorical
a
b
c
d
Continuous
e
输出变量
Discrete(Integers)
v
x
y
Continuous
z
我面临的主要问题是输出变量并不完全相互独立，并且它们之间没有任何关系。也就是说，存在依赖性，但不是由于因果关系（一个值高并不意味着另一个值也会高，但其他更高的机会会提高）
一个例子是：
v - 广告展示次数
x - 广告点击次数
y - 转化次数
z - 收入
现在，要点击一个广告，它必须首先出现在搜索中，因此Click在某种程度上取决于印象。
同样，对于要转换的广告，必须首先点击它，因此转化在某种程度上依赖于点击。
因此运行4个预测每个输出变量的问题实例对我来说没有意义。事实上，应该有一些方法来预测所有4个一起照顾它们的隐含依赖。
但正如你所看到的，不存在直接的关系，事实上会有一个概率，但无法手动解决。
另外，输出变量不是分类的，实际上是离散的和连续的。
有关如何解决此问题的任何意见。还指导我使用相同的现有实现以及用于快速实现解决方案的工具包。
随机猜测 - 我认为贝叶斯网络可以解决这个问题。你觉得怎么样？
答案 0 :(得分：0)
贝叶斯网络将在您的情况下做得很好。您的网络也不会那么大，因此您可以使用精确的推理算法，如图形消除或连接树。如果您决定使用BN，那么您可以使用Kevin Murphy的BN工具箱。 Here是指向该链接的链接。对于使用Gibbs采样进行近似蒙特卡罗推理的更通用的工具箱，您可以使用BUGS。
编辑：
以一个着名的喷水器示例here为例。对于完全离散的变量，您可以在链接中定义条件概率表。例如，你说今天是阴天，下雨概率为0.8。你定义了所有的概率分布，其中图表显示了因果关系（即云，然后下雨等）然后作为查询你问你的推理算法问题，如草是湿的;它是阴天，是下雨，洒水器等等。
要使用BN，需要一个根据因果关系（有向无环图）和概率转换描述的系统模型。如果您想学习系统参数，可以使用EM algorithm等技术。然而，学习图形结构是一项非常艰巨的任务，受监督的机器学习方法在这种情况下会做得更好。