基本的机器学习练习是对某些数据进行回归。例如，估计鱼的长度与体重和年龄的关系。
这通常通过拥有大量训练数据集（体重，年龄，长度）然后应用一些回归分析来完成。然后可以根据它的重量和年龄来估计新鱼的长度。
然而，假设我想要解决这个问题：＆＃34;我有一条已知重量W，年龄A和长度L的鱼。假设我希望长度为M而不是L，我应该如何调整W和A＆＃34;。
这似乎是一个常见的问题，但我不知道它叫什么。有人可以帮我正确的方向。 如果它是线性的，你如何处理这个问题？如果它是非线性的，那么你会怎样？
答案 0 :(得分：0)
您正在寻找功能依赖
f: IR -> IR^2, f(Weight) = (Age, Length)^T
您可以使用与现在使用的方法基本相同的方法执行此操作。它只是目标是二维的，因此你需要调整你的损失函数。
二维空间中的简单欧几里德距离不再适用，因为您已经获得了不同的幅度和不同的预测变量单位。所以你必须在这里有创意 - 例如，你可以将两个预测变量归一化为[0,1]，将归一化值输入欧几里得或L1距离损失函数。
获得合适的损失函数后，照常进行：选择机器学习方法，拟合数据，进行预测。
关于选择方法：这可以是简单的和不相关的 - 例如两个不相关的线性回归，或者更一般地将两个一维输出方法堆叠在一起 - 到相关和更复杂的：例如人工具有两个输出节点的神经网络，其中ANN参数是相关的。
最后，这是线性回归情况的一个例子。你在那里制作ansatz
(Age, Length)^T = (a1 + b1* Weight, a2 + b2*Weight)^T
并通过最小化损失函数a1, b1, a2, b2找到参数L，这在最简单的情况下只是
L(a1,b1,a2,b2) = || Age - a1 + b1 * Weight ||^2 + || Length - a2 + b2 * Weight ||^2
此选择相当于两个独立的一维线性回归。细
但是，您通常也希望目标参数之间保持一致 - 直观地说：您更喜欢(Age, Length)中的两个小偏差，一个大偏差和一个零偏差。这是相关方法和损失函数进入的地方。