使用scikit决策树进行多输出分类

Question

免责声明：我是机器学习领域的新手，尽管在过去的一个月里我做了相当多的研究，但我对这个主题仍然缺乏深刻的理解。

我一直在玩scikit图书馆，目的是学习如何根据历史信息预测新数据，并对现有信息进行分类。

我正在尝试解决两个可能相关的问题：

问题1

给定一个包含行R1 ... RN的数据集，其中包含特征F1 ... FN，以及每个组行的目标，确定行R（N + 1）在哪个组中属于。

现在，目标值不是单数，而是一组值;我能够提出的最佳解决方案是将这些值集合表示为串联，这会创建一个人工类，并允许我仅使用一个属性来表示多个值。有更好的方法吗？

我期待的是能够传递全新的行集，并告知每个行的目标值。

问题2

给定包含具有特征F1 ... FN的行R1 ... RN的数据集，根据特征的频率预测R（N + 1）的值。

这里有一些注意事项：

1. 大多数功能都属于绝对性质。
2. 某些功能是日期，因此在进行预测时，日期应该是相对于历史数据的未来。
3. 频率分析需要按行进行，因为某些值集可能无效。

我的问题是：是否有任何过程/ ML算法，给定历史数据能够根据参数的频率预测一组新的值？

如果您有任何建议，请告诉我。

Answer 1

关于问题1，如果您希望目标值的不同组件是独立的，则可以将问题视为为每个组件构建分类器。也就是说，如果要素为F = (F_1, F_2, ..., F_N)且目标为Y = (Y_1, Y_2, ..., Y_N)，请创建包含要素F和目标Y_1的分类器，第二个具有要素F的分类器目标Y_2等

关于问题2，如果你没有处理时间序列，你可以做的最好的事情就是预测每个特征的最常值。

那就是说，我相信你的问题更适合另一个交叉验证的堆栈交换。