用于多标签分类的机器学习模型，我们知道标签之间的关系

Question

我手头有问题，

我需要将输入数据分类为一个或多个标签S1，S2，S3，S4

标签S1，S2，S3和S4之间存在关系，即

如果输入标记为Sn，则必须标记为S1..Sn。

S1，S2，S3和S4类似于实体X通过的不同阶段。基于输入数据X可能通过一个或多个阶段，X必须通过S1进入S2，S2进入S3等等

我们希望确保只允许那些X通过哪个到达S3 ，因此我们根据输入数据决定是否允许X通过S1

如果我们有输入数据和X已经为该输入数据传递的阶段等信息，我们可以选择预测X是否达到S3的机器学习模型

我在思考多标签分类的方向输入数据阶段S1和S2之间可能存在某种关系

更新：我必须训练如下的例子 1.输入数据为s1 2.输入数据是s2 3. .. .. 4 ..

Answer 1

有些疑惑

你的问题远非明确，例如：

  

我们希望优化大多数X到达S3，因此根据输入数据我们决定是否允许X通过S1

实际上建议，最好的模型将是“总是回答是”，因为它最大化了到达S3的对象数量（因为它只是让任何对象到达这一点）

一般想法

我假设有两种可能的解释：

1. 您有一个标签“管道”，这只是意味着，如果该对象尚未标记为S_n的所有S_i，则该对象无法标记为i < n

   对于单个模型而言，这似乎不是问题，您可以以自然的方式管道模型，即。如果对象1应具有标签x，则训练模型S_1，该模型会重新识别。接下来，您在训练集中标记为2的所有数据上训练模型S_1并预测标签S_2，依此类推。在执行期间，您只需询问每个模型i是否接受（标记）传入对象x，并在第一个模型显示“否”时停止

2. 你对标签有一些更复杂的约束，这可能是严格的或不严格的。对于这种情况，你应该尝试multi label classification with constraints的许多方法之一，特别是有{{3}关于ML的这方面。

解决方案1 ​​ - 近似测试功能

如果您的问题可以描述为：

• 您有数据点X，因此对于每个数据点，您都知道T_i通过的某些可管道化测试x的最大数量
• 您想训练能够预测的分类器，您的分数x通过的最大连续测试次数是多少
• 您无权访问实际测试T_i或者效率非常低

然后最简单的方法是应用以下训练程序而不是一个分类器：

1. 获取所有数据点，将y=0的{​​{1}}和0的{​​{1}}标记为y>=1，并训练一些二元分类器（例如SVM）。因此，您只是暂时重新标记您的数据，以便显示通过第一次测试的点和不通过第一次测试的点。让我们调用此分类器1
2. 现在，将您的数据点标记为cl_1为y=1，将0标记为y>=2并再次训练二进制分类，并将其称为{{1} }
3. 重复直到所有测试都有他们的分类器，一般情况下我们称之为分类器1，因为它可以区分标有cl_2的点和cl_i的点。

现在，要对新点进行分类，只需迭代检查y=i-1 y>=i的{​​{1}}，然后使用cl_i的最大i=1,..,tests进行回答。因此，您使用分类器“模拟”您的测试，并简单地说明这些测试的近似值通过了多少。

总结：每个测试可以用一个二元分类器近似，然后问题“我们的点通过的最大的连续测试数是多少”近似为“什么是最大的连续分类器数字，是什么归类为真实“。

解决方案2 - 简单回归

您还可以简单地将输入空间中的回归应用到它到达的测试数量。回归实际上有一个印记假设，即输出值是相关的。因此，如果您使用成对i训练数据，其中cl_i(x)=1是(x,y)传递的最后一次测试的数量，那么您实际上正在使用输出y为与计算中首先获得x高度相关。这种回归（非线性！）可以简单地使用神经网络（可能是正则化的）来完成